RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction

要約

自動肋骨ラベル付けと解剖学的中心線抽出は、さまざまな臨床アプリケーションの共通の前提条件です。
これまでの研究では、コミュニティがアクセスできない社内のデータセットが使用されているか、肋骨の標識の臨床的重要性を無視した肋骨のセグメンテーションに焦点が当てられていました。
これらの問題に対処するために、バイナリ肋骨セグメンテーション タスクに関する以前のデータセット (RibSeg) を、660 の CT スキャン (合計 15,466 の個々の肋骨) と肋骨のラベリングと解剖学的に専門家によって手動で検査されたアノテーションを備えた、RibSeg v2 という包括的なベンチマークに拡張しました。
中心線の抽出。
RibSeg v2 に基づいて、肋骨のラベリングのための深層学習ベースの方法と中心線抽出のためのスケルトン化ベースの方法を含むパイプラインを開発します。
計算効率を向上させるために、CT スキャンの疎な点群表現を提案し、それを標準の高密度ボクセル グリッドと比較します。
さらに、各タスクの主要な課題に対処するために、評価指標を設計および分析します。
私たちのデータセット、コード、モデルは、https://github.com/M3DV/RibSeg でオープンリサーチを促進するためにオンラインで入手できます。

要約(オリジナル)

Automatic rib labeling and anatomical centerline extraction are common prerequisites for various clinical applications. Prior studies either use in-house datasets that are inaccessible to communities, or focus on rib segmentation that neglects the clinical significance of rib labeling. To address these issues, we extend our prior dataset (RibSeg) on the binary rib segmentation task to a comprehensive benchmark, named RibSeg v2, with 660 CT scans (15,466 individual ribs in total) and annotations manually inspected by experts for rib labeling and anatomical centerline extraction. Based on the RibSeg v2, we develop a pipeline including deep learning-based methods for rib labeling, and a skeletonization-based method for centerline extraction. To improve computational efficiency, we propose a sparse point cloud representation of CT scans and compare it with standard dense voxel grids. Moreover, we design and analyze evaluation metrics to address the key challenges of each task. Our dataset, code, and model are available online to facilitate open research at https://github.com/M3DV/RibSeg

arxiv情報

提供元, 利用サービス

arxiv.jp, Google