Continual atlas-based segmentation of prostate MRI

要約

自然画像分類用に設計された継続学習 (CL) 手法は、医療画像セグメンテーションの基本的な品質基準に達しないことがよくあります。
医療画像処理において確立されたアプローチであるアトラスベースのセグメンテーションには、関心領域に関するドメイン知識が組み込まれており、意味的に一貫した予測が可能になります。
これは、構造情報を活用し、時間の経過とともにモデルの剛性と可塑性の間で最適なバランスをとることができるため、CL にとって特に有望です。
このプロセスをプライバシー保護プロトタイプと組み合わせると、患者のプライバシーを損なうことなく、リハーサルベースの CL の利点が得られます。
私たちは、アトラスベースのセグメンテーション アプローチである Atlas Replay を提案します。これは、プロトタイプを使用して、トレーニング分布が変化しても一貫性を維持する画像レジストレーションを通じて高品質のセグメンテーション マスクを生成します。
私たちは、公開されている 7 つの前立腺セグメンテーション データセットにわたる知識の伝達可能性の観点から、最先端の CL 法と比較して、提案された手法がどのように機能するかを調査します。
前立腺のセグメンテーションは前立腺がんの診断において重要な役割を果たしますが、解剖学的構造の大幅な違い、高齢層における良性の構造の違い、取得パラメータの変動により課題が生じます。
私たちの結果は、Atlas Replay が堅牢であり、エンドツーエンドのセグメンテーション手法とは異なり、知識を維持しながら、まだ見たことのない領域をうまく一般化できることを示しています。
私たちのコードベースは https://github.com/MECLabTUDA/Atlas-Replay から入手できます。

要約(オリジナル)

Continual learning (CL) methods designed for natural image classification often fail to reach basic quality standards for medical image segmentation. Atlas-based segmentation, a well-established approach in medical imaging, incorporates domain knowledge on the region of interest, leading to semantically coherent predictions. This is especially promising for CL, as it allows us to leverage structural information and strike an optimal balance between model rigidity and plasticity over time. When combined with privacy-preserving prototypes, this process offers the advantages of rehearsal-based CL without compromising patient privacy. We propose Atlas Replay, an atlas-based segmentation approach that uses prototypes to generate high-quality segmentation masks through image registration that maintain consistency even as the training distribution changes. We explore how our proposed method performs compared to state-of-the-art CL methods in terms of knowledge transferability across seven publicly available prostate segmentation datasets. Prostate segmentation plays a vital role in diagnosing prostate cancer, however, it poses challenges due to substantial anatomical variations, benign structural differences in older age groups, and fluctuating acquisition parameters. Our results show that Atlas Replay is both robust and generalizes well to yet-unseen domains while being able to maintain knowledge, unlike end-to-end segmentation methods. Our code base is available under https://github.com/MECLabTUDA/Atlas-Replay.

arxiv情報

著者 Amin Ranem,Camila Gonázlez,Daniel Pinto dos Santos,Andreas Michael Bucher,Ahmed Ezzat Othman,Anirban Mukhopadhyay
発行日 2023-11-01 14:29:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク