Seg4Reg+: Consistency Learning between Spine Segmentation and Cobb Angle Regression

要約

コブ角推定の自動化された方法は、脊柱側弯症の評価に高い需要があります。
既存の方法は通常、ランドマーク推定からコブ角を計算するか、相互の利点を十分に検討することなく、低レベルのタスク (ランドマークの検出や脊椎のセグメンテーションなど) をコブ角回帰タスクと単に組み合わせます。
この研究では、セグメンテーションと回帰ネットワークを共同で最適化する Seg4Reg+ という名前の新しいマルチタスク フレームワークを提案します。
私たちは、ローカルとグローバルの両方の一貫性と、互いの間の知識の伝達を徹底的に調査します。
具体的には、画像セグメンテーション ペアからのクラス活性化マップ (CAM) を活用して回帰ネットワーク内の追加の監督を発見するアテンション正則化モジュールを提案します。CAM は関心領域拡張ゲートとして機能し、セグメンテーション タスクを順番に容易にします。
.
一方、グローバル最適化のために2つのネットワークを共同でトレーニングするための新しい三角形の一貫性学習を設計します。
公開されている AASCE Challenge データセットで実行された評価は、各モジュールの有効性と、最先端の方法に対するモデルの優れたパフォーマンスを示しています。

要約(オリジナル)

Automated methods for Cobb angle estimation are of high demand for scoliosis assessment. Existing methods typically calculate the Cobb angle from landmark estimation, or simply combine the low-level task (e.g., landmark detection and spine segmentation) with the Cobb angle regression task, without fully exploring the benefits from each other. In this study, we propose a novel multi-task framework, named Seg4Reg+, which jointly optimizes the segmentation and regression networks. We thoroughly investigate both local and global consistency and knowledge transfer between each other. Specifically, we propose an attention regularization module leveraging class activation maps (CAMs) from image-segmentation pairs to discover additional supervision in the regression network, and the CAMs can serve as a region-of-interest enhancement gate to facilitate the segmentation task in turn. Meanwhile, we design a novel triangle consistency learning to train the two networks jointly for global optimization. The evaluations performed on the public AASCE Challenge dataset demonstrate the effectiveness of each module and superior performance of our model to the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google