Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation

要約

コンピューター断層撮影 (CT) 画像におけるリスク臓器 (OAR) セグメンテーションは、自動セグメンテーション手法では困難な作業であり、下流の放射線治療計画にとって重要な作業となる可能性があります。
U-net は医療画像セグメンテーションの事実上の標準となっており、医療画像セグメンテーション タスクの共通ベースラインとして頻繁に使用されています。
この論文では、複数のデコーダ U-net アーキテクチャを提案し、デコーダ間のセグメンテーションの不一致を、セグメンテーションの洗練のためのネットワークのボトルネックに注目するものとして使用します。
ほとんどの場合、特徴の相関関係が注意として考慮されますが、この場合、ネットワークからの不確実性が注意として使用されます。
正確なセグメンテーションのために、CT 強度統合正則化損失も提案しました。
提案された正則化は、モデルが低コントラスト組織の強度分布を理解するのに役立ちます。
私たちは、公開されている 2 つの OAR チャレンジ データセットでモデルをテストしました。
また、提案されたアテンションモジュールと正則化損失を使用して、各データセットに対してアブレーションを実行しました。
実験結果は、両方のデータセットで明らかな精度の向上を示しています。

要約(オリジナル)

Organ at risk (OAR) segmentation in computed tomography (CT) imagery is a difficult task for automated segmentation methods and can be crucial for downstream radiation treatment planning. U-net has become a de-facto standard for medical image segmentation and is frequently used as a common baseline in medical image segmentation tasks. In this paper, we propose a multiple decoder U-net architecture and use the segmentation disagreement between the decoders as attention to the bottleneck of the network for segmentation refinement. While feature correlation is considered as attention in most cases, in our case it is the uncertainty from the network used as attention. For accurate segmentation, we also proposed a CT intensity integrated regularization loss. Proposed regularisation helps model understand the intensity distribution of low contrast tissues. We tested our model on two publicly available OAR challenge datasets. We also conducted the ablation on each datasets with the proposed attention module and regularization loss. Experimental results demonstrate a clear accuracy improvement on both datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google