Learning shape distributions from large databases of healthy organs: applications to zero-shot and few-shot abnormal pancreas detection

要約

健康な臓器の大規模なデータベースから形状分布を学習するためのスケーラブルでデータ駆動型のアプローチを提案します。
そのために、ボリューム セグメンテーション マスクは、変分自動エンコーディング ネットワークで学習される共通の確率的形状空間に埋め込まれます。
結果として得られる潜在形状表現は、異常形状検出のためのゼロショットおよび少数ショット法を導き出すために活用されます。
提案された分布学習アプローチは、1200 の健康な膵臓形状の大規模なデータベースで示されています。
下流の質的および量的実験は、混合状態の患者からの 224 の膵臓の別のテスト セットで行われます。
異常な膵臓検出 AUC は、ゼロショット構成で最大 65.41% に達し、少数ショット構成で 78.97% に達し、異常な例が 15 個と少なく、唯一のボリュームに基づくベースラインアプローチよりも優れていました。

要約(オリジナル)

We propose a scalable and data-driven approach to learn shape distributions from large databases of healthy organs. To do so, volumetric segmentation masks are embedded into a common probabilistic shape space that is learned with a variational auto-encoding network. The resulting latent shape representations are leveraged to derive zeroshot and few-shot methods for abnormal shape detection. The proposed distribution learning approach is illustrated on a large database of 1200 healthy pancreas shapes. Downstream qualitative and quantitative experiments are conducted on a separate test set of 224 pancreas from patients with mixed conditions. The abnormal pancreas detection AUC reached up to 65.41% in the zero-shot configuration, and 78.97% in the few-shot configuration with as few as 15 abnormal examples, outperforming a baseline approach based on the sole volume.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google