SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss

要約

生物医学画像におけるさまざまなサイズの血管構造の識別は、多くの神経変性疾患の診断において重要です。
ただし、このような画像には高品質のアノテーションが少ないため、血管のセグメンテーションの作業が困難になります。
深層学習は、高レベルの特徴表現とそのような特徴の次元にわたる空間的連続性を学習することで、さまざまなサイズの血管をセグメント化する効率的な方法を提供します。
半教師ありパッチベースのアプローチは、直径 1 ～ 2 ボクセルの小さな血管を識別するのに効果的です。
この研究は、追加の損失基準として最大強度投影 (MIP) を使用して特徴の空間相関を考慮することにより、セグメンテーションの品質を向上させることに焦点を当てています。
3D ボリュームの単一軸 (Z 軸) および複数の知覚可能な軸上のラベル セグメンテーションの MIP を組み込んだ 2 つの方法が提案されています。
提案された MIP ベースの方法では、血管の連続性が改善されたセグメンテーションが生成されます。これは、ROI の視覚検査で明らかです。
パッチベースのトレーニングは、船舶の予測された不連続性にペナルティを与える追加の損失項である MIP 損失を導入することで改善されています。
14 ボリュームのトレーニング セットは、18 個の 7 テスラ 3D 飛行時間型 (ToF) 磁気共鳴血管造影 (MRA) 画像で構成される StudyForrest データセットから選択されます。
このメソッドの汎化パフォーマンスは、データセット内の他の未表示のボリュームを使用して評価されます。
多軸 MIP 損失を伴う提案された方法は、$80.245 \pm 0.129$ の中央値の Dice で、より高品質のセグメンテーションを生成することが観察されます。
また、単軸 MIP 損失を使用する方法では、Dice の中央値が $79.749 \pm 0.109$ のセグメンテーションが生成されます。
さらに、予測されたセグメンテーションにおける ROI を視覚的に比較すると、MIP 損失をトレーニングに組み込んだ場合に血管の連続性が大幅に改善されることがわかります。

要約(オリジナル)

Identification of vessel structures of different sizes in biomedical images is crucial in the diagnosis of many neurodegenerative diseases. However, the sparsity of good-quality annotations of such images makes the task of vessel segmentation challenging. Deep learning offers an efficient way to segment vessels of different sizes by learning their high-level feature representations and the spatial continuity of such features across dimensions. Semi-supervised patch-based approaches have been effective in identifying small vessels of one to two voxels in diameter. This study focuses on improving the segmentation quality by considering the spatial correlation of the features using the Maximum Intensity Projection~(MIP) as an additional loss criterion. Two methods are proposed with the incorporation of MIPs of label segmentation on the single~(z-axis) and multiple perceivable axes of the 3D volume. The proposed MIP-based methods produce segmentations with improved vessel continuity, which is evident in visual examinations of ROIs. Patch-based training is improved by introducing an additional loss term, MIP loss, to penalise the predicted discontinuity of vessels. A training set of 14 volumes is selected from the StudyForrest dataset comprising of 18 7-Tesla 3D Time-of-Flight~(ToF) Magnetic Resonance Angiography (MRA) images. The generalisation performance of the method is evaluated using the other unseen volumes in the dataset. It is observed that the proposed method with multi-axes MIP loss produces better quality segmentations with a median Dice of $80.245 \pm 0.129$. Also, the method with single-axis MIP loss produces segmentations with a median Dice of $79.749 \pm 0.109$. Furthermore, a visual comparison of the ROIs in the predicted segmentation reveals a significant improvement in the continuity of the vessels when MIP loss is incorporated into training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google