SLoRD: Structural Low-Rank Descriptors for Shape Consistency in Vertebrae Segmentation

要約

CT 画像からの椎骨の自動かつ正確なセグメンテーションは、さまざまな臨床応用にとって非常に重要です。
しかし、明示的かつ厳密な制約が欠如しているため、特に単一段階法に関する既存の方法は、依然として、単一の椎骨内の複数のラベル予測を指す、椎骨内のセグメンテーションの不一致という課題に悩まされています。
多段階の方法の場合、最初のステップとして機能する椎骨の検出は、病理と精神インプラントの影響を受けます。
したがって、誤った検出により、セグメンテーションの前に偏ったパッチが発生し、ラベル付けとセグメンテーションの不一致が生じます。
私たちの研究では、インスタンスのセグメンテーションの観点から動機付けられ、この制限に対処するために個別の完全なバイナリ マスクにラベルを付けようとしています。
具体的には、SLoRD と呼ばれる、形状の一貫性を目的とした構造的低ランク記述子に基づいた輪郭ベースのネットワークが提案されています。
これらの輪郭記述子は、データ駆動型の方法で事前に取得されます。
輪郭記述子をより正確に表現するために、球面座標系を採用し、球面重心を考案します。
さらに、輪郭損失は明示的な一貫性制約を課すように設計されており、脊椎境界に近い輪郭点の回帰を促進します。
VerSe 2019 の定量的および定性的評価では、他のシングルステージおよびマルチステージの最先端 (SOTA) 手法よりも当社のフレームワークの優れたパフォーマンスが実証されています。

要約(オリジナル)

Automatic and precise segmentation of vertebrae from CT images is crucial for various clinical applications. However, due to a lack of explicit and strict constraints, existing methods especially for single-stage methods, still suffer from the challenge of intra-vertebrae segmentation inconsistency, which refers to multiple label predictions inside a singular vertebra. For multi-stage methods, vertebrae detection serving as the first step, is affected by the pathology and mental implants. Thus, incorrect detections cause biased patches before segmentation, then lead to inconsistent labeling and segmentation. In our work, motivated by the perspective of instance segmentation, we try to label individual and complete binary masks to address this limitation. Specifically, a contour-based network is proposed based on Structural Low-Rank Descriptors for shape consistency, termed SLoRD. These contour descriptors are acquired in a data-driven manner in advance. For a more precise representation of contour descriptors, we adopt the spherical coordinate system and devise the spherical centroid. Besides, the contour loss is designed to impose explicit consistency constraints, facilitating regressed contour points close to vertebral boundaries. Quantitative and qualitative evaluations on VerSe 2019 demonstrate the superior performance of our framework over other single-stage and multi-stage state-of-the-art (SOTA) methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google