Improved distinct bone segmentation in upper-body CT through multi-resolution networks

要約

目的: CT スキャンから自動化された別個の骨セグメンテーションは、計画およびナビゲーションのワークフローで広く使用されています。
U-Net バリアントは、教師ありセマンティック セグメンテーションで優れた結果を提供することが知られています。
ただし、上半身 CT とは異なる骨セグメンテーションでは、広い視野と計算負荷の高い 3D アーキテクチャが必要です。
これにより、高解像度の入力を使用したときに空間コンテキストが失われるため、詳細が欠けている低解像度の結果やローカリゼーション エラーが発生します。
方法: 異なる解像度で動作する複数の 3D U-Net を組み合わせたエンドツーエンドのトレーニング可能なセグメンテーション ネットワークを使用して、この問題を解決することを提案します。
HookNet と MRN を拡張して一般化する私たちのアプローチは、空間情報を低解像度でキャプチャし、エンコードされた情報をターゲット ネットワークにスキップします。ターゲット ネットワークは、より小さな高解像度入力で動作します。
提案されたアーキテクチャを単一解像度ネットワークに対して評価し、情報の連結とコンテキストネットワークの数に関するアブレーション研究を実行しました。
結果: 私たちが提案した最良のネットワークは、125 のセグメント化されたボーン クラスすべてで 0.86 の中央値 DSC を達成し、異なる場所にある似たようなボーン間の混乱を減らします。
これらの結果は、タスクに関する以前に公開された 3D U-Net ベースラインの結果および他のグループによって報告された個別の骨セグメンテーションの結果よりも優れています。
結論: 提示されたマルチ解像度 3D U-Net は、入力ピクセルの立方体の成長と計算能力をすぐに超える中間計算を回避しながら、より広い視野をキャプチャできるようにすることで、上半身 CT スキャンからの骨セグメンテーションの現在の欠点に対処します。
3Dで。
したがって、このアプローチは、上半身 CT からの別個の骨セグメンテーションの精度と効率を向上させます。

要約(オリジナル)

Purpose: Automated distinct bone segmentation from CT scans is widely used in planning and navigation workflows. U-Net variants are known to provide excellent results in supervised semantic segmentation. However, in distinct bone segmentation from upper body CTs a large field of view and a computationally taxing 3D architecture are required. This leads to low-resolution results lacking detail or localisation errors due to missing spatial context when using high-resolution inputs. Methods: We propose to solve this problem by using end-to-end trainable segmentation networks that combine several 3D U-Nets working at different resolutions. Our approach, which extends and generalizes HookNet and MRN, captures spatial information at a lower resolution and skips the encoded information to the target network, which operates on smaller high-resolution inputs. We evaluated our proposed architecture against single resolution networks and performed an ablation study on information concatenation and the number of context networks. Results: Our proposed best network achieves a median DSC of 0.86 taken over all 125 segmented bone classes and reduces the confusion among similar-looking bones in different locations. These results outperform our previously published 3D U-Net baseline results on the task and distinct-bone segmentation results reported by other groups. Conclusion: The presented multi-resolution 3D U-Nets address current shortcomings in bone segmentation from upper-body CT scans by allowing for capturing a larger field of view while avoiding the cubic growth of the input pixels and intermediate computations that quickly outgrow the computational capacities in 3D. The approach thus improves the accuracy and efficiency of distinct bone segmentation from upper-body CT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google