キーポイント転送セグメンテーション

臓器全体のラベルマップをトレーニング画像からセグメント化する新しい画像に転送する画像セグメンテーション方法を提案します。転送は、自動的に識別された特有の画像位置を表すキーポイント間のまばらな対応に基づいています。私たちのセグメンテーション アルゴリズムは、(i) キーポイント マッチング、(ii) 投票ベースのキーポイント ラベリング、および (iii) キーポイント ベースの臓器ラベル マップの確率的転送の 3 つのステップで構成されます。キーポイント ラベルの推論と画像セグメンテーションのための生成モデルを導入します。このモデルでは、キーポイントの一致は潜在確率変数として扱われ、アルゴリズムの一部として無視されます。全身 CT および造影 CT 画像における腹部臓器のセグメンテーションの結果を報告します。私たちの方法の精度は、一般的なマルチアトラス セグメンテーションと比べて遜色なく、約 3 桁の高速化を実現します。さらに、キーポイントの転送には、トレーニング段階やアトラスへの登録は必要ありません。このアルゴリズムの堅牢性により、非常に可変的な視野でのスキャンのセグメント化が可能になります。

We present an image segmentation method that transfers label maps of entire organs from the training images to the novel image to be segmented. The transfer is based on sparse correspondences between keypoints that represent automatically identified distinctive image locations. Our segmentation algorithm consists of three steps: (i) keypoint matching, (ii) voting-based keypoint labeling, and (iii) keypoint-based probabilistic transfer of organ label maps. We introduce generative models for the inference of keypoint labels and for image segmentation, where keypoint matches are treated as a latent random variable and are marginalized out as part of the algorithm. We report segmentation results for abdominal organs in whole-body CT and in contrast-enhanced CT images. The accuracy of our method compares favorably to common multi-atlas segmentation while offering a speed-up of about three orders of magnitude. Furthermore, keypoint transfer requires no training phase or registration to an atlas. The algorithm's robustness enables the segmentation of scans with highly variable field-of-view.