Structure-Aware Stylized Image Synthesis for Robust Medical Image Segmentation

要約

正確な医療画像のセグメンテーションは、効果的な診断と治療計画に不可欠ですが、イメージング デバイス、取得条件、患者固有の属性の違いによって引き起こされるドメインのシフトによってしばしば課題となります。
従来のドメイン汎化手法では通常、トレーニング セット内にテスト ドメインの一部を含める必要がありますが、多様なデータが限られている臨床現場では必ずしも実現可能ではありません。
さらに、拡散モデルは画像生成とスタイル転送において強力な機能を実証していますが、多くの場合、正確な医療分析に必要な重要な構造情報を保存できません。
これらの問題に対処するために、構造を認識したワンショット画像様式化のための拡散モデルと構造保存ネットワークを組み合わせた新しい医療画像セグメンテーション手法を提案します。
私たちのアプローチは、病変の位置、サイズ、形状を維持しながら、さまざまなソースからの画像を一貫したスタイルに変換することで、ドメインのシフトを効果的に軽減します。
これにより、ターゲット ドメインがトレーニング データに存在しない場合でも、堅牢で正確なセグメンテーションが保証されます。
結腸内視鏡検査のポリープセグメンテーションおよび皮膚病変セグメンテーションデータセットの実験的評価は、私たちの方法がセグメンテーションモデルの堅牢性と精度を強化し、スタイル転送のないベースラインモデルと比較して優れたパフォーマンスメトリクスを達成することを示しています。
この構造を認識した様式化フレームワークは、さまざまな領域にわたって医療画像のセグメンテーションを改善し、より信頼性の高い臨床診断を促進する実用的なソリューションを提供します。

要約(オリジナル)

Accurate medical image segmentation is essential for effective diagnosis and treatment planning but is often challenged by domain shifts caused by variations in imaging devices, acquisition conditions, and patient-specific attributes. Traditional domain generalization methods typically require inclusion of parts of the test domain within the training set, which is not always feasible in clinical settings with limited diverse data. Additionally, although diffusion models have demonstrated strong capabilities in image generation and style transfer, they often fail to preserve the critical structural information necessary for precise medical analysis. To address these issues, we propose a novel medical image segmentation method that combines diffusion models and Structure-Preserving Network for structure-aware one-shot image stylization. Our approach effectively mitigates domain shifts by transforming images from various sources into a consistent style while maintaining the location, size, and shape of lesions. This ensures robust and accurate segmentation even when the target domain is absent from the training data. Experimental evaluations on colonoscopy polyp segmentation and skin lesion segmentation datasets show that our method enhances the robustness and accuracy of segmentation models, achieving superior performance metrics compared to baseline models without style transfer. This structure-aware stylization framework offers a practical solution for improving medical image segmentation across diverse domains, facilitating more reliable clinical diagnoses.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google