CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths

要約

臨床 CT スキャンから効率的かつ正確に脳室をセグメンテーションすることは、脳室瘻造設術などの緊急手術にとって非常に重要です。
軟部組織のコントラストが低く、臨床脳 CT 用の十分に注釈が付けられたデータベースが不足しているという課題があるため、拡散モデルに基づくドメイン適応を活用することで、CT セグメンテーションのグラウンド トゥルースを必要とせず、不確実性を認識した新しい心室セグメンテーション手法を導入します。
具体的には、私たちの方法では、拡散シュレディンガー ブリッジと注意再発残差 U-Net を使用して、ペアになっていない CT スキャンと MRI スキャンを利用して、よりアクセスしやすい MRI のスキャンから自動 CT セグメンテーションを導き出します。
重要なのは、画像翻訳とセグメンテーション タスクのエンドツーエンドの共同トレーニング フレームワークを提案し、個々のタスクを個別にトレーニングする場合よりもその利点が実証されていることです。
提案された方法を、ドメイン適応のための 2 つの異なる GAN モデル (CycleGAN と CUT) を使用した同様のセットアップと比較することにより、セグメンテーションと画像変換の品質の向上に対する拡散モデルの利点も明らかにします。
Dice スコアは 0.78$\pm$0.27 で、私たちの提案手法は、SynSeg-Net などの比較手法よりも優れたパフォーマンスを示し、同時に自動セグメンテーション結果の品質管理をさらに容易にする直感的な不確実性測定を提供しました。

要約(オリジナル)

Efficient and accurate brain ventricle segmentation from clinical CT scans is critical for emergency surgeries like ventriculostomy. With the challenges in poor soft tissue contrast and a scarcity of well-annotated databases for clinical brain CTs, we introduce a novel uncertainty-aware ventricle segmentation technique without the need of CT segmentation ground truths by leveraging diffusion-model-based domain adaptation. Specifically, our method employs the diffusion Schr\’odinger Bridge and an attention recurrent residual U-Net to capitalize on unpaired CT and MRI scans to derive automatic CT segmentation from those of the MRIs, which are more accessible. Importantly, we propose an end-to-end, joint training framework of image translation and segmentation tasks, and demonstrate its benefit over training individual tasks separately. By comparing the proposed method against similar setups using two different GAN models for domain adaptation (CycleGAN and CUT), we also reveal the advantage of diffusion models towards improved segmentation and image translation quality. With a Dice score of 0.78$\pm$0.27, our proposed method outperformed the compared methods, including SynSeg-Net, while providing intuitive uncertainty measures to further facilitate quality control of the automatic segmentation outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google