Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders

要約

毎年、何千人もの人々が頭蓋損傷に苦しんでいる。このような人々には、再建手術の前に設計・製造が必要な、個人に合わせたインプラントが必要である。手作業による設計はコストと時間がかかるため、このプロセスを自動化することを目的としたアルゴリズムが求められている。この問題は、体積形状補完として定式化することができ、教師あり画像セグメンテーション専用のディープニューラルネットワークによって解決することができる。しかし、このようなアプローチは、コストと時間のかかるグランドトゥルースの欠陥の注釈を必要とする。通常、このプロセスは合成欠陥生成に置き換えられる。しかし、合成欠損生成にも時間がかかり、データの異質性が制限されるため、ディープモデルの汎化性が制限される。我々の研究では、この問題を解決するために、自己教師付きマスクオートエンコーダを使用する、代替的でシンプルなアプローチを提案する。このアプローチは設計上、訓練セットの異質性を増加させ、データ増強の一形態と見なすことができる。提案手法を複数の最先端のディープニューラルネットワークと比較し、SkullBreakデータセットとSkullFixデータセットにおいて定量的・定性的な改善を示す。提案手法は、リアルタイムで頭蓋欠損を効率的に再構成するために用いることができる。

要約(オリジナル)

Thousands of people suffer from cranial injuries every year. They require personalized implants that need to be designed and manufactured before the reconstruction surgery. The manual design is expensive and time-consuming leading to searching for algorithms whose goal is to automatize the process. The problem can be formulated as volumetric shape completion and solved by deep neural networks dedicated to supervised image segmentation. However, such an approach requires annotating the ground-truth defects which is costly and time-consuming. Usually, the process is replaced with synthetic defect generation. However, even the synthetic ground-truth generation is time-consuming and limits the data heterogeneity, thus the deep models’ generalizability. In our work, we propose an alternative and simple approach to use a self-supervised masked autoencoder to solve the problem. This approach by design increases the heterogeneity of the training set and can be seen as a form of data augmentation. We compare the proposed method with several state-of-the-art deep neural networks and show both the quantitative and qualitative improvement on the SkullBreak and SkullFix datasets. The proposed method can be used to efficiently reconstruct the cranial defects in real time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL