GS-EMA: Integrating Gradient Surgery Exponential Moving Average with Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in Aneurysm Segmentation

要約

脳動脈瘤の自動セグメンテーションは、正確な診断と治療計画にとって極めて重要です。
さまざまな医療機関からの 3D 回転血管造影 (3DRA) データにおけるドメインの大幅な変化とクラスの不均衡に直面し、その作業は困難になっています。
これらの変化には、画像の外観、強度分布、解像度、動脈瘤サイズの違いが含まれており、これらすべてがセグメンテーション プロセスを複雑にします。
これらの問題に取り組むために、勾配手術指数移動平均 (GS-EMA) 最適化手法と境界認識対比学習 (BACL) を組み合わせた新しい領域一般化戦略を提案します。
私たちのアプローチは、ドメイン不変の特徴を学習することで新しい目に見えないドメインに適応する能力が異なり、それによって多様な臨床データセットにわたる動脈瘤セグメンテーションの堅牢性と精度が向上します。
結果は、私たちが提案したアプローチがより多くのドメイン不変特徴を抽出し、過剰なセグメント化を最小限に抑え、より完全な動脈瘤構造を捕捉できることを示しています。

要約(オリジナル)

The automated segmentation of cerebral aneurysms is pivotal for accurate diagnosis and treatment planning. Confronted with significant domain shifts and class imbalance in 3D Rotational Angiography (3DRA) data from various medical institutions, the task becomes challenging. These shifts include differences in image appearance, intensity distribution, resolution, and aneurysm size, all of which complicate the segmentation process. To tackle these issues, we propose a novel domain generalization strategy that employs gradient surgery exponential moving average (GS-EMA) optimization technique coupled with boundary-aware contrastive learning (BACL). Our approach is distinct in its ability to adapt to new, unseen domains by learning domain-invariant features, thereby improving the robustness and accuracy of aneurysm segmentation across diverse clinical datasets. The results demonstrate that our proposed approach can extract more domain-invariant features, minimizing over-segmentation and capturing more complete aneurysm structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google