[论文解读] 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 9

一句话总结

本文提出一种方向性连通性建模方案，在潜在空间中区分方向子空间，以改善解剖学上一致的生物标志物分割，并在公开基准上优于最新方法。

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.

研究动机与目标

• 通过利用像素连通性促进解剖学上一致的生物标志物分割。
• 在潜在空间中引入并解耦通道级方向信息，以用于基于连通性的网络。
• 在多种医疗影像分割任务中开发并评估一种方向性连通性建模方案。

提出的方法

• 在分割网络中解耦、跟踪并利用方向信息。
• 通过将方向子空间信息与共享潜在空间整合来建模连通性。
• 在潜在表示中利用通道级方向线索以改进基于连通性的分割。

实验结果

研究问题

• RQ1 引入方向性连通性是否能提高分割准确性和解剖学一致性？
• RQ2 在潜在空间中解耦方向子空间是否能提升基于连通性的分割的特征表示？
• RQ3 与最先进方法相比，提出的方向性连通性方法在公开医疗影像分割基准上的表现如何？

主要发现

• 提出的方向性连通性模型在公开的医疗影像分割基准上显示出有效性。
• 在评估的数据集上显示出相对于最先进方法的性能提升。
• 提供了在潜在空间解耦方向信息有助于基于连通性的分割的证据。