[논문 리뷰] Directional Connectivity-based Segmentation of Medical Images

Ziyun Yang, Sina Farsiu|arXiv (Cornell University)|2023. 03. 31.

Radiomics and Machine Learning in Medical Imaging인용 수 9

한 줄 요약

본 논문은 잠재 공간에서 방향성 부분 공간을 분리하는 방향성 연결성 모델링 체계를 제시하여 해부학적으로 일관된 바이오마커 세분화를 개선하고, 공개 벤치마크에서 최첨단 방법 대비 성능 향상을 보인다.

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.

연구 동기 및 목표

• 픽셀 연결성을 활용하여 해부학적으로 일관된 바이오마커 세분화를 촉진한다.
• 연결 기반 네트워크를 위해 잠재 공간에서 채널 단위의 방향성 정보를 도입하고 분리한다.
• 의료 영상 세분화 작업 전반에 걸쳐 방향성 연결성 모델링 체계를 개발하고 평가한다.

제안 방법

• 세분화 네트워크 전반에서 방향성 정보를 해리하고 추적하며 활용한다.
• 공유 잠재 공간과 방향성 부분 공간 정보를 통합하여 연결성을 모델링한다.
• 잠재 표현에서 채널 단위의 방향성 신호를 활용하여 연결성 기반 세분화를 향상시킨다.

실험 결과

연구 질문

• RQ1 방향성 연결성을 도입하면 세분화 정확도와 해부학적 일관성이 향상되는가?
• RQ2 잠재 공간에서 방향성 부분 공간을 분리하는 것이 연결성 기반 세분화를 위한 특징 표현을 향상시키는가?
• RQ3 제안된 방향성 연결성 방법은 공개 의료 영상 세분화 벤치마크에서 최첨단 방법과 비교하여 어떤 성능을 보이는가?

주요 결과

• 제안된 방향성 연결성 모델은 공개 의료 영상 세분화 벤치마크에서 효과를 입증한다.
• 평가된 데이터셋에서 최첨단 방법 대비 성능 향상을 보인다.
• 잠재 공간에서 방향성 정보를 분리하는 것이 연결성 기반 세분화에 이익이 된다는 증거를 제공한다.