3D Vessel Segmentation with Limited Guidance of 2D Structure-agnostic Vessel Annotations

要約

3次元血管の描出は臨床診断や治療に不可欠であるが、複雑な構造の変化や様々な撮影条件のために困難である。教師ありディープラーニングは、3D血管の自動セグメンテーションにおいて優れた能力を発揮しています。しかし、高価な3D手動アノテーションへの依存とアノテーションの再利用のための限られた能力は、教師ありモデルの臨床応用を妨げています。反復的で手間のかかるアノテーションを避け、既存の血管アノテーションを十分に活用するために、本論文では、公共の2D血管アノテーションからの限られたガイダンスの下で3D血管セグメンテーションのための新しい3D形状誘導局所識別モデルを提案する。第一の仮説は、3次元血管は意味的に類似したボクセルで構成され、ツリー状の形態を示すというものである。そこで、まず、3次元領域識別損失を用いて、ボクセル単位の類似性を計測する識別表現を学習し、意味的に一致するボクセルをクラスタリングして、ラベルのない画像における3次元血管のセグメンテーション候補を形成することを提案する。第二に、2次元血管と3次元血管のツリー状形態の類似性に基づいて、様々な血管構造に適合する2次元構造不可知論的血管注釈から参照マスクを生成するために、Crop-and-Overlap戦略を提示し、3次元血管のツリー状形態を誘導するために逆境損失を導入する；第三に、学習の安定性とモデルの円滑な更新を促進するために時間整合損失を提示する。さらに、モデルの頑健性と信頼性を高めるために、方向不変CNNモジュールと信頼性洗練アルゴリズムが提示されている。公開されている3D脳血管と3D動脈樹のデータセットによる実験結果から、我々のモデルが9つの教師ありモデルに対して同等の有効性を達成することを示す。

要約(オリジナル)

Delineating 3D blood vessels is essential for clinical diagnosis and treatment, however, is challenging due to complex structure variations and varied imaging conditions. Supervised deep learning has demonstrated its superior capacity in automatic 3D vessel segmentation. However, the reliance on expensive 3D manual annotations and limited capacity for annotation reuse hinder the clinical applications of supervised models. To avoid the repetitive and laborious annotating and make full use of existing vascular annotations, this paper proposes a novel 3D shape-guided local discrimination model for 3D vascular segmentation under limited guidance from public 2D vessel annotations. The primary hypothesis is that 3D vessels are composed of semantically similar voxels and exhibit tree-shaped morphology. Accordingly, the 3D region discrimination loss is firstly proposed to learn the discriminative representation measuring voxel-wise similarities and cluster semantically consistent voxels to form the candidate 3D vascular segmentation in unlabeled images; secondly, based on the similarity of the tree-shaped morphology between 2D and 3D vessels, the Crop-and-Overlap strategy is presented to generate reference masks from 2D structure-agnostic vessel annotations, which are fit for varied vascular structures, and the adversarial loss is introduced to guide the tree-shaped morphology of 3D vessels; thirdly, the temporal consistency loss is proposed to foster the training stability and keep the model updated smoothly. To further enhance the model’s robustness and reliability, the orientation-invariant CNN module and Reliability-Refinement algorithm are presented. Experimental results from the public 3D cerebrovascular and 3D arterial tree datasets demonstrate that our model achieves comparable effectiveness against nine supervised models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL