来源：专知
本文约1000字，建议阅读5分钟
在这篇论文中，我提出了一种利用解剖学先验知识进行结构分割的方法，同时保持已知的拓扑结构。
深層学習の台頭以来、新しい医用画像セグメンテーション手法が急速に提案され、有望な結果が示されており、それぞれ以前の最先端の手法に比べて若干の改善が報告されています。しかし、目視検査では、Dice などの従来の評価基準を使用した場合には検出されない、トポロジカル エラー (穴や折り目など) などのエラーが見つかることがよくあります。さらに、セグメンテーションが解剖学的にも病理学的にも妥当であり、最終的に下流の画像処理タスクに適していることを保証するには、正しいトポロジが必要となることがよくあります。したがって、ピクセルレベルの精度を最適化するだけではなく、予測されたセグメンテーションがトポロジー的に正しいことを保証することに重点を置く必要があります。この論文では、既知のトポロジーを維持しながら解剖学的事前知識を活用する構造セグメンテーションの方法を提案します。
提案されたモデルである Topology Encourages Deformable Segmentation Network (TEDS-Net) は、学習されたトポロジー保持変形フィールドを使用して、対象となる同じ解剖学的特性を持つ以前の形状を変形することによってセグメンテーションを実行します。ただし、ここで私は、そのようなフィールドは連続領域内でのみトポロジー的に保存でき、離散空間に適用すると、その特性が崩れ始めることを示します。この影響を克服するために、TEDS-Net に追加の変更を導入して、トポロジの保存をより厳密に強制します。これは、以前の研究では見落とされがちなステップでした。
この論文では、TEDS-Net を一連の自然画像および医療画像のセグメンテーション タスクに適用します。いくつかのトポロジ タイプ、いくつかの構造、および 2D と 3D でそれがどのように機能するかを示します。さらに、TEDS-Net を使用して、最小限の注釈付きトレーニング データを使用してボリューム全体をセグメント化する方法を示します。これらの実験では、TEDS-Net は競争力のあるピクセルレベルの精度を維持しながら、トポロジー的にすべての SOTA ベースラインを上回っています。
最後に、TEDS-Net は医用画像パイプライン全体に統合されており、下流のタスクにおけるトポロジー的に正しいセグメンテーションの重要性が示されています。TEDS-Net を使用して、3D 子宮内胎児脳超音波スキャンで発達中の皮質板をセグメント化し、妊娠中の複雑な成長と発達の描写を可能にしました。私の知る限り、この課題はこれまで磁気共鳴画像法 (MRI) でのみ試みられてきましたが、出生前ケアでは超音波が好まれています。これは、超音波上の重要な脳領域をブロックする大きな音響陰影が原因である可能性があります。TEDS-Net の解剖学的制限により、陰影領域の皮質プレートのセグメンテーションを解剖学的にガイドでき、正確な下流分析を可能にする完全なセグメンテーションが得られます。
これは原文の核心的な意味をカバーする大まかな翻訳です。専門的な論文や出版を目的とする場合は、正確さと流暢性を確保するために、この翻訳をさらに校正して改良することをお勧めします。
