SiNGR: Brain Tumor Segmentation via Signed Normalized Geodesic Transform Regression

要約

脳腫瘍のセグメンテーションにおける主な課題の 1 つは、腫瘍境界に近いボクセルの不確実性から生じます。
しかし、グラウンド トゥルース セグメンテーション マスクを生成する従来のプロセスでは、そのような不確実性を適切に処理できません。
0 と 1 によるこれらの「ハードラベル」は、脳画像セグメンテーションに関する先行研究の大部分に概念的に影響を与えました。
その結果、腫瘍のセグメント化は多くの場合、ボクセル分類によって解決されます。
この研究では、代わりにこの問題をボクセルレベルの回帰として捉え、グラウンドトゥルースは任意のピクセルから腫瘍の境界までのマッピングの確実性を表します。
脳腫瘍付近の不確実性を捉えるために、符号付き測地線変換に基づく新しいグラウンド トゥルース ラベル変換を提案します。
このアイデアを、難易度に応じてボクセルに適切に重み付けすることにより、高次元出力空間での効果的な回帰学習を可能にするフォーカル様回帰 L1 損失と組み合わせます。
私たちは実験的評価を徹底的に実施して、提案した方法のコンポーネントを検証し、それをさまざまな最先端のセグメンテーション モデルと比較し、それがアーキテクチャに依存しないことを示します。
私たちのメソッドのコードは公開されています (\url{https://github.com/Oulu-IMEDS/SiNGR/})。

要約(オリジナル)

One of the primary challenges in brain tumor segmentation arises from the uncertainty of voxels close to tumor boundaries. However, the conventional process of generating ground truth segmentation masks fails to treat such uncertainties properly. Those ‘hard labels’ with 0s and 1s conceptually influenced the majority of prior studies on brain image segmentation. As a result, tumor segmentation is often solved through voxel classification. In this work, we instead view this problem as a voxel-level regression, where the ground truth represents a certainty mapping from any pixel to the border of the tumor. We propose a novel ground truth label transformation, which is based on a signed geodesic transform, to capture the uncertainty in brain tumors’ vicinity. We combine this idea with a Focal-like regression L1-loss that enables effective regression learning in high-dimensional output space by appropriately weighting voxels according to their difficulty. We thoroughly conduct an experimental evaluation to validate the components of our proposed method, compare it to a diverse array of state-of-the-art segmentation models, and show that it is architecture-agnostic. The code of our method is made publicly available (\url{https://github.com/Oulu-IMEDS/SiNGR/}).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google