DEEPBEAS3D: Deep Learning and B-Spline Explicit Active Surfaces

要約

深層学習ベースの自動セグメンテーション手法は最先端のものになっています。
ただし、トレーニング データとテスト データの間のドメインの移行がパフォーマンスに影響を与えるため、直接臨床応用するには十分な堅牢性がないことがよくあります。
自動セグメンテーションに失敗すると、修正が必要となる最適ではない結果が生じる可能性があります。
これらの問題に対処するために、畳み込みニューラル ネットワーク (CNN) からのセグメンテーションを B スプライン明示的アクティブ サーフェス (BEAS) として表す、インタラクティブ セグメンテーション フレームワークの新しい 3D 拡張を提案します。
BEAS は、ユーザーが 3D サーフェスを正確に編集できるようにしながら、3D 空間でのセグメンテーションがスムーズであることを保証し、解剖学的妥当性を高めます。
このフレームワークを経会陰超音波 (TPUS) 画像からの肛門括約筋複合体 (AS) の 3D セグメンテーションのタスクに適用し、骨盤底疾患クリニックで使用される臨床ツール (4D View VOCAL、GE Healthcare、Zipf、
オーストリア）。
実験結果は次のことを示しています。1) 提案されたフレームワークにより、ユーザーは表面輪郭を明示的に制御できます。
2) NASA-TLX インデックスを介して計算された知覚ワークロードは、VOCAL と比較して 30% 減少しました。
3) VOCAL よりも必要なユーザー時間が 7 0% (170 秒) 少ない (p< 0.00001)

要約(オリジナル)

Deep learning-based automatic segmentation methods have become state-of-the-art. However, they are often not robust enough for direct clinical application, as domain shifts between training and testing data affect their performance. Failure in automatic segmentation can cause sub-optimal results that require correction. To address these problems, we propose a novel 3D extension of an interactive segmentation framework that represents a segmentation from a convolutional neural network (CNN) as a B-spline explicit active surface (BEAS). BEAS ensures segmentations are smooth in 3D space, increasing anatomical plausibility, while allowing the user to precisely edit the 3D surface. We apply this framework to the task of 3D segmentation of the anal sphincter complex (AS) from transperineal ultrasound (TPUS) images, and compare it to the clinical tool used in the pelvic floor disorder clinic (4D View VOCAL, GE Healthcare; Zipf, Austria). Experimental results show that: 1) the proposed framework gives the user explicit control of the surface contour; 2) the perceived workload calculated via the NASA-TLX index was reduced by 30% compared to VOCAL; and 3) it required 7 0% (170 seconds) less user time than VOCAL (p< 0.00001)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google