[論文レビュー] Directional Connectivity-based Segmentation of Medical Images

Ziyun Yang, Sina Farsiu|arXiv (Cornell University)|Mar 31, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 9

ひとこと要約

論文は、潜在空間内の方向性サブ空間を分離して方向性連結性モデルを導入し、解剖学的に一貫したバイオマーカーのセグメンテーションを改善し、公開ベンチマークで最先端を上回ることを示す。

ABSTRACT

Anatomical consistency in biomarker segmentation is crucial for many medical image analysis tasks. A promising paradigm for achieving anatomically consistent segmentation via deep networks is incorporating pixel connectivity, a basic concept in digital topology, to model inter-pixel relationships. However, previous works on connectivity modeling have ignored the rich channel-wise directional information in the latent space. In this work, we demonstrate that effective disentanglement of directional sub-space from the shared latent space can significantly enhance the feature representation in the connectivity-based network. To this end, we propose a directional connectivity modeling scheme for segmentation that decouples, tracks, and utilizes the directional information across the network. Experiments on various public medical image segmentation benchmarks show the effectiveness of our model as compared to the state-of-the-art methods. Code is available at https://github.com/Zyun-Y/DconnNet.

研究の動機と目的

• ピクセル連結性を活用して解剖学的に一貫したバイオマーカーのセグメンテーションを促進する。
• 結合性ベースのネットワークのために、潜在空間にチャネル方向情報を取り込み、分離する。
• 医用画像分割タスク全体で、方向性連結性モデリング手法を開発・評価する。

提案手法

• セグメンテーションネットワーク全体で方向性情報を分離・追跡・活用する。
• 共有潜在空間と方向性サブスペース情報を統合して連結性をモデル化する。
• 潜在表現におけるチャネル単位の方向性手がかりを活用して、連結性ベースのセグメンテーションを改善する。

実験結果

リサーチクエスチョン

• RQ1 方向性連結性を組み込むことで、セグメンテーションの精度と解剖学的一貫性は向上するか。
• RQ2 潜在空間の方向性サブスペースを分離することは、連結性ベースのセグメンテーションの特徴表現を向上させるか。
• RQ3 提案された方向性連結性手法は、公開の医用画像分割ベンチマークにおいて、最先端手法と比較してどの程度の性能を示すか。

主な発見

• 提案された方向性連結性モデルは、公開の医用画像分割ベンチマークで有効性を示す。
• 評価済みデータセットで最先端手法を上回る性能向上を示す。
• 潜在空間の方向性情報を分離することが連結性ベースのセグメンテーションに有益であるという証拠を提供する。