Pelvic floor MRI segmentation based on semi-supervised deep learning

要約

MRIによる骨盤底臓器のセマンティックセグメンテーションは、臨床的に重要な意味を持つ。近年、ディープラーニングを利用したセマンティックセグメンテーションにより、骨盤底臓器の3次元幾何学的再構成が容易になり、臨床医に正確で直感的な診断結果を提供している。しかし、一般的に臨床医が行う骨盤底MRIセグメンテーションのラベリング作業は、労力とコストがかかり、ラベルの不足につながっている。不十分なセグメンテーションラベルは、骨盤底臓器の正確なセグメンテーションと再構成を制限する。これらの問題に対処するために、我々は骨盤底臓器セグメンテーションのための半教師付きフレームワークを提案する。このフレームワークの実装は2段階からなる。第一段階では、画像復元タスクを用いた自己教師付き事前学習を行う。その後、セグメンテーションモデルを訓練するために、ラベル付けされたデータを用いて、自己教師ありモデルの微調整を行う。第2段階では、自己教師付きセグメンテーションモデルを使用して、ラベル付けされていないデータの擬似ラベルを生成する。最終的に、ラベル付けされたデータとラベル付けされていないデータの両方が、半教師付き学習に利用される。評価の結果、我々の手法は骨盤内臓器のセマンティックセグメンテーションと幾何学的再構成の性能を大幅に向上させ、ダイス係数は平均で2.65%増加した。特に、子宮のようなセグメンテーションが困難な臓器については、セマンティックセグメンテーションの精度を最大3.70%向上させることができる。

要約(オリジナル)

The semantic segmentation of pelvic organs via MRI has important clinical significance. Recently, deep learning-enabled semantic segmentation has facilitated the three-dimensional geometric reconstruction of pelvic floor organs, providing clinicians with accurate and intuitive diagnostic results. However, the task of labeling pelvic floor MRI segmentation, typically performed by clinicians, is labor-intensive and costly, leading to a scarcity of labels. Insufficient segmentation labels limit the precise segmentation and reconstruction of pelvic floor organs. To address these issues, we propose a semi-supervised framework for pelvic organ segmentation. The implementation of this framework comprises two stages. In the first stage, it performs self-supervised pre-training using image restoration tasks. Subsequently, fine-tuning of the self-supervised model is performed, using labeled data to train the segmentation model. In the second stage, the self-supervised segmentation model is used to generate pseudo labels for unlabeled data. Ultimately, both labeled and unlabeled data are utilized in semi-supervised training. Upon evaluation, our method significantly enhances the performance in the semantic segmentation and geometric reconstruction of pelvic organs, Dice coefficient can increase by 2.65% averagely. Especially for organs that are difficult to segment, such as the uterus, the accuracy of semantic segmentation can be improved by up to 3.70%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL