Clustering Propagation for Universal Medical Image Segmentation

要約

医用画像セグメンテーションの著名なソリューションは通常、自動セットアップまたは対話型セットアップに合わせて調整されており、あるタスクから別のタスクへの進捗を促進する際に課題が生じています。$_{\!}$ これも $_{\!}$ です $_{\!}$
タスクごとに $_{\!}$ 別々の $_{\!}$ モデルが必要となり、トレーニング時間とパラメータの両方が複製されます。$_{\!}$ To$_{\!}$ address$_{\!}
$ 以上の $_{\!}$ 問題、$_{\!}$ we$_{\!}$ 導入$_{\!}$ S2VNet、$_{\!}$ a$_{\!}
$ ユニバーサル$_{\!}$ フレームワーク$_{\!}$ その$_{\!}$ 活用$_{\!}$ スライスからボリュームへの$_{\!}$ 伝播$_{\
!}$ to$_{\!}$ は、単一モデルと 1 つのトレーニング セッション内で自動/対話型セグメンテーションを統合します。
クラスタリング ベースのセグメンテーション技術にヒントを得た S2VNet は、クラスタ$_{\!}$ results$_{\!}$ of$_{\!} からクラスタ中心を初期化することで、ボリューム データのスライス単位の構造を最大限に活用します。
$previous$_{\!}$lice.$_{\!}$ これにより、以前のスライスから取得した知識が現在のスライスのセグメント化を支援し、単なる 2D ネットワークを使用してリモート スライス間の通信をさらに効率的に橋渡しできるようになります。
さらに、このようなフレームワークは、アーキテクチャを変更することなく、単にユーザー入力から重心を初期化するだけで、対話型セグメンテーションに容易に対応します。
S2VNet は、一般的な 3D ソリューションと比較して、迅速な推論速度とメモリ消費量の削減によって優れています。
また、各クラスが異なるセントロイドを初期化する役割を果たすマルチクラスの対話を処理することもできます。
3 つのベンチマークの実験により、S2VNet が自動/対話型セットアップの両方でタスク指定のソリューションを上回ることが実証されました。

要約(オリジナル)

Prominent solutions for medical image segmentation are typically tailored for automatic or interactive setups, posing challenges in facilitating progress achieved in one task to another.$_{\!}$ This$_{\!}$ also$_{\!}$ necessitates$_{\!}$ separate$_{\!}$ models for each task, duplicating both training time and parameters.$_{\!}$ To$_{\!}$ address$_{\!}$ above$_{\!}$ issues,$_{\!}$ we$_{\!}$ introduce$_{\!}$ S2VNet,$_{\!}$ a$_{\!}$ universal$_{\!}$ framework$_{\!}$ that$_{\!}$ leverages$_{\!}$ Slice-to-Volume$_{\!}$ propagation$_{\!}$ to$_{\!}$ unify automatic/interactive segmentation within a single model and one training session. Inspired by clustering-based segmentation techniques, S2VNet makes full use of the slice-wise structure of volumetric data by initializing cluster centers from the cluster$_{\!}$ results$_{\!}$ of$_{\!}$ previous$_{\!}$ slice.$_{\!}$ This enables knowledge acquired from prior slices to assist in the segmentation of the current slice, further efficiently bridging the communication between remote slices using mere 2D networks. Moreover, such a framework readily accommodates interactive segmentation with no architectural change, simply by initializing centroids from user inputs. S2VNet distinguishes itself by swift inference speeds and reduced memory consumption compared to prevailing 3D solutions. It can also handle multi-class interactions with each of them serving to initialize different centroids. Experiments on three benchmarks demonstrate S2VNet surpasses task-specified solutions on both automatic/interactive setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google