[論文レビュー] Leveraging a Statistical Shape Model for Efficient Generation of Annotated Training Data: A Case Study on Liver Landmarks Segmentation

Denis Krnjaca, Lorena Krames+1 more|arXiv (Cornell University)|Mar 14, 2026

Medical Imaging and Analysis被引用数 0

ひとこと要約

論文は、単一の手動の平均形状ラベリングから大規模な注釈付きトレーニングセットを生成して3Dランドマークセグメンテーションネットワークを訓練するSSMベースのパイプラインを導入し、合成データとMedShapeNet肝臓形状で高い精度を達成する。

ABSTRACT

Anatomical landmark segmentation serves as a critical initial step for robust multimodal registration during computer-assisted interventions. Current approaches predominantly rely on deep learning, which often necessitates the extensive manual generation of annotated datasets. In this paper, we present a novel strategy for creating large annotated datasets using a statistical shape model (SSM) based on a mean shape that is manually labeled only once. We demonstrate the method's efficacy through its application to deep-learning-based anatomical landmark segmentation, specifically targeting the detection of the anterior ridge and the falciform ligament in 3D liver shapes. A specialized deep learning network was trained with 8,800 annotated liver shapes generated by the SSM. The network's performance was evaluated on 500 unseen synthetic SSM shapes, yielding a mean Intersection over Union of 91.4% (87.4% for the anterior ridge and 87.6% for the falciform ligament). Subsequently, the network was applied to clinical patient liver shapes, with qualitative evaluation indicating promising results and highlighting the generalizability of the proposed approach. Our findings suggest that the SSM-based data generation approach alleviates the labor-intensive process of manual labeling while enabling the creation of large annotated training datasets for machine learning. Although our study focuses on liver anatomy, the proposed methodology holds potential for a broad range of applications where annotated training datasets play a pivotal role in developing accurate deep-learning models.

研究の動機と目的

• computer-assisted interventionsにおける多モーダル登録のための3D解剖学的ランドマークセグメンテーションの改善を動機づける。
• 統計形状モデル(SSM)を用いて、単一の手動ラベル平均形状から大規模なラベル付きデータセットを生成することを提案する。
• ディープネットワークで2つの肝臓ランドマーク（前方嶺、および矢状靭帯）をセグメント化することによりアプローチを実証する。
• 平均形状からSSM生成形状へのラベル転送を評価し、合成データと臨床データでの性能を評価する。

提案手法

• 48形状から肝臓統計形状モデルを構築して11,500個の合成肝臓形状を生成する。
• 平均形状に2つのランドマークを手動でラベリングし、頂点インデックスを介して生成形状全体へラベルを転送する。
• SPRINという回転不変の3D点群セグメンテーションネットワークを合成注釈データで訓練する。
• 点群を4,096点にダウンサンプリングし、Adam (lr=1e-3) で12バッチサイズを用いてNVIDIA RTX 2080 TIで訓練する。
• 500形状の合成テストセットとMedShapeNet肝臓形状で定性的評価を行う。

Figure 1: Overview of the proposed method employing an SSM for data generation. The mean shape derived from the SSM is manually labeled once (in this example: red: anterior ridge, blue: falciform ligament). Subsequently, labels are transferred to generated shapes using vertex indices. The annotated

実験結果

リサーチクエスチョン

• RQ1 SSM平均形状から生成形状へ解剖学的ランドマークを一貫して転送できるか。
• RQ2 SSM生成注釈でディープネットワークを訓練することで、未知の臨床肝臓形状で堅牢なランドマークセグメンテーションを実現できるか。
• RQ3 モデルは合成SSMデータと外部データセット（MedShapeNetなど）でどれほどの性能を示すか。
• RQ4 3D形状セグメンテーションにおけるSSMベースの注釖転送の制限と潜在的改善点は何か。

主な発見

• SSMベースのラベル転送は、トレーニングデータの統合手動ラベルで82.45%の精度を達成（前方嶺87.05%、矢状靭帯66.06%）。
• 合成SSMテスト形状で、SPRINモデルは平均IoU 91.4%を達成（前方嶺87.4%、矢状靭帯87.6%）。
• MedShapeNet形状での定性的評価は有望なセグメンテーションを示したが、いくつかの前方嶺の注釈が不完全であった。
• SSMを介して大規模なラベル付きデータセットを生成し、堅牢な3Dランドマークセグメンテーションモデルを訓練するためのラベル転送の実現可能性を支持する。
• このアプローチは、注釈付きトレーニングデータを用いた他の解剖学的ランドマークおよびモダリティへの一般化可能性を示唆する。

Figure 2: Two examples illustrating the aggregated labels annotated by the four individuals (first and third shape) and the corresponding results from the label transfer from the mean shape (second and last shape).