Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation

要約

この論文では、医用画像解析における重要な課題である病理学的肺のセグメンテーションの問題について取り上げます。この問題は、肺組織と周囲領域のテクスチャーの類似性により、周辺不透明（重度の線維化および硬化）の場合に特に顕著です。
これらの課題を克服するために、この論文では、既存のグランド トゥルースに一致する偽の病理学的画像を生成できる拡張方法を提供するために、ペアのない画像間の変換に CycleGAN を使用することを強調します。
これまでの研究では CycleGAN が採用されていましたが、医療画像の正確なセグメンテーションに不可欠な形状変形という課題が無視されることがよくありました。
私たちの研究では、追加の損失関数を組み込んだ革新的な戦略を導入しています。
具体的には、健康な領域から病的な領域への移行時に形状が変化しないように制約される肺周囲の L1 損失を提案します。
肺周囲は、健康領域で利用可能なグラウンド トゥルース肺マスクに基づいて導出されます。
さらに、肋骨/椎骨の位置に基づくトリミングなどの前処理ステップを適用して、CycleGAN への入力を調整し、ネットワークが肺領域に焦点を当てていることを確認します。
これは、ズーム効果のバイアスなど、主なタスクから注意をそらす可能性のある無関係なバイアスを回避するために不可欠です。
この方法は、CycleGAN モデルによって生成された合成病理学的組織を組み込んだオンザフライ データ拡張でトレーニングされた U-Net モデルを採用することにより、半教師ありの方法で肺セグメンテーション プロセスを強化するために適用されます。
この研究の予備的な結果は、質的および量的な大幅な改善を示し、病理学的肺セグメンテーションの分野における新たな基準を設定しました。
私たちのコードは https://github.com/noureddinekhiati/Semi-supervised-lung-segmentation で入手できます。

要約(オリジナル)

This paper addresses the problem of pathological lung segmentation, a significant challenge in medical image analysis, particularly pronounced in cases of peripheral opacities (severe fibrosis and consolidation) because of the textural similarity between lung tissue and surrounding areas. To overcome these challenges, this paper emphasizes the use of CycleGAN for unpaired image-to-image translation, in order to provide an augmentation method able to generate fake pathological images matching an existing ground truth. Although previous studies have employed CycleGAN, they often neglect the challenge of shape deformation, which is crucial for accurate medical image segmentation. Our work introduces an innovative strategy that incorporates additional loss functions. Specifically, it proposes an L1 loss based on the lung surrounding which shape is constrained to remain unchanged at the transition from the healthy to pathological domains. The lung surrounding is derived based on ground truth lung masks available in the healthy domain. Furthermore, preprocessing steps, such as cropping based on ribs/vertebra locations, are applied to refine the input for the CycleGAN, ensuring that the network focus on the lung region. This is essential to avoid extraneous biases, such as the zoom effect bias, which can divert attention from the main task. The method is applied to enhance in semi-supervised manner the lung segmentation process by employing a U-Net model trained with on-the-fly data augmentation incorporating synthetic pathological tissues generated by the CycleGAN model. Preliminary results from this research demonstrate significant qualitative and quantitative improvements, setting a new benchmark in the field of pathological lung segmentation. Our code is available at https://github.com/noureddinekhiati/Semi-supervised-lung-segmentation

arxiv情報

提供元, 利用サービス

arxiv.jp, Google