Deep vessel segmentation based on a new combination of vesselness filters

要約

血管セグメンテーションは重要な臨床タスクですが、その自動化は依然として課題です。
深層学習の最近の進歩により、学習プロセスを大幅に支援できるベッセルネス フィルターが無視されてきました。
この研究では、血管セグメンテーション モデルの有効性を高めるために考案された革新的なフィルター フュージョン手法を紹介します。
私たちの調査では、比較分析を通じてフィルターベースの学習アプローチの利点を確立することを目指しています。
具体的には、CT 画像でトレーニングされた U-Net モデルのパフォーマンスを、マッチング パラメーターを使用して血管性ハイパー ボリュームでトレーニングされた同一の U-Net 構成と対比します。
2 つの血管データセットに基づく我々の調査結果では、モデルの学習が血管強化入力にさらされた場合、特に小さな血管のセグメンテーションが向上していることがわかります。

要約(オリジナル)

Vascular segmentation represents a crucial clinical task, yet its automation remains challenging. Because of the recent strides in deep learning, vesselness filters, which can significantly aid the learning process, have been overlooked. This study introduces an innovative filter fusion method crafted to amplify the effectiveness of vessel segmentation models. Our investigation seeks to establish the merits of a filter-based learning approach through a comparative analysis. Specifically, we contrast the performance of a U-Net model trained on CT images with an identical U-Net configuration trained on vesselness hyper-volumes using matching parameters. Our findings, based on two vascular datasets, highlight improved segmentations, especially for small vessels, when the model’s learning is exposed to vessel-enhanced inputs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google