Multi-center anatomical segmentation with heterogeneous labels via landmark-based models

要約

多施設データセットの異種ラベルから解剖学的セグメンテーションを学習することは、臨床シナリオで遭遇する一般的な状況です。特定の解剖学的構造は、特定の医療センターからの画像でのみ注釈が付けられ、完全なデータベースでは注釈が付けられません。
ここでは、ドメイン記憶の問題と競合するラベルのために、最先端のピクセルレベルのセグメンテーションモデルがこのタスクを単純に学習できないことを最初に示します。
次に、グラフベースの表現を使用して利用可能な解剖学的構造を学習するランドマークベースのセグメンテーション モデルである HybridGNet を採用することを提案します。
両方のモデルによって学習された潜在空間を分析することにより、HybridGNet がより多くのドメイン不変の特徴表現を自然に学習し、胸部 X 線マルチクラス セグメンテーションのコンテキストで経験的証拠を提供することを示します。
これらの洞察が、公開データセットおよび多施設データセットからの異種ラベルを使用したディープ ラーニング モデルのトレーニングに光を当てることを願っています。

要約(オリジナル)

Learning anatomical segmentation from heterogeneous labels in multi-center datasets is a common situation encountered in clinical scenarios, where certain anatomical structures are only annotated in images coming from particular medical centers, but not in the full database. Here we first show how state-of-the-art pixel-level segmentation models fail in naively learning this task due to domain memorization issues and conflicting labels. We then propose to adopt HybridGNet, a landmark-based segmentation model which learns the available anatomical structures using graph-based representations. By analyzing the latent space learned by both models, we show that HybridGNet naturally learns more domain-invariant feature representations, and provide empirical evidence in the context of chest X-ray multiclass segmentation. We hope these insights will shed light on the training of deep learning models with heterogeneous labels from public and multi-center datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google