Auto-segmentation of Hip Joints using MultiPlanar UNet with Transfer learning

要約

有限要素モデルの開発には、正確なジオメトリ表現が不可欠です。
一般的には優れていますが、少数のデータのみを使用する深層学習のセグメンテーション アプローチでは、ギャップや薄い構造などの細かい特徴を正確にセグメント化することが困難です。
その後、セグメント化されたジオメトリは、シミュレーション目的で使用できる品質に到達するために、労力のかかる手動の修正が必要になります。
転移学習を使用してセグメンテーションが不十分なデータセットを再利用する戦略と、データの微調整によりシミュレーションに適した解剖学的に正確なセグメンテーションが得られるインタラクティブな学習ステップを組み合わせた戦略を提案します。
下股関節セグメンテーションと専用の損失関数を組み合わせて事前トレーニングされた修正済みの MultiPlanar UNet を使用して、ギャップ領域を学習し、後処理を行って、回転不変性による対称クラスの小さな不正確さを修正します。
公的に入手可能な股関節のコンピューター断層撮影スキャンで臨床的に検証された結果に適用される、この堅牢でありながら概念的に単純なアプローチを示します。
コードと結果の 3D モデルは、https://github.com/MICCAI2022-155/AuToSeg} で入手できます。

要約(オリジナル)

Accurate geometry representation is essential in developing finite element models. Although generally good, deep-learning segmentation approaches with only few data have difficulties in accurately segmenting fine features, e.g., gaps and thin structures. Subsequently, segmented geometries need labor-intensive manual modifications to reach a quality where they can be used for simulation purposes. We propose a strategy that uses transfer learning to reuse datasets with poor segmentation combined with an interactive learning step where fine-tuning of the data results in anatomically accurate segmentations suitable for simulations. We use a modified MultiPlanar UNet that is pre-trained using inferior hip joint segmentation combined with a dedicated loss function to learn the gap regions and post-processing to correct tiny inaccuracies on symmetric classes due to rotational invariance. We demonstrate this robust yet conceptually simple approach applied with clinically validated results on publicly available computed tomography scans of hip joints. Code and resulting 3D models are available at: https://github.com/MICCAI2022-155/AuToSeg}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google