DEEP-DM：限られたデータを使用した3D画像セグメンテーションのためのディープ駆動型変形モデル

目的 - 医療画像セグメンテーションは、診断、外科および治療計画、画像誘導介入など、いくつかの臨床タスクに不可欠です。Deep Learning（DL）メソッドは、いくつかの画像セグメンテーションシナリオの最先端になりました。ただし、DLモデルを効果的にトレーニングするには、大規模でよく目立たないデータセットが必要です。これは、特に3D画像の場合、臨床診療で通常取得することが困難です。方法 - この論文では、限られたトレーニングデータを使用した3D医療イメージングセグメンテーションの学習誘導変形モデルフレームワークであるDeepDMを提案しました。提案された方法では、エネルギー関数は畳み込みニューラルネットワーク（CNN）によって学習され、明示的な変形可能なモデルに統合され、初期表面の進化をオブジェクトにセグメントに向けて駆動します。具体的には、学習ベースのエネルギー関数は、各反復で進化する表面の周りの画像情報を含む画像の局所的な解剖学的表現から繰り返し回収されます。関心のあるローカライズされた地域に焦点を当てることにより、この表現は無関係な画像情報を除外し、学習プロセスを促進します。結果と結論 - 提案された方法のパフォーマンスは、超音波における左心室および胎児の頭部セグメンテーションのタスク、磁気共鳴の左心房セグメンテーション、および各研究で異なる数のトレーニング量を使用して、コンピューター断層撮影における膀胱セグメンテーションのタスクについて実証されています。得られた結果は、提案された方法が異なるイメージングモダリティで異なる解剖学的構造をセグメント化する可能性を示したことを示しました。さらに、結果は、提案されたアプローチが、最先端のDLベースのセグメンテーション方法と比較して、トレーニングデータセットのサイズに依存していないことを示し、低いサンプルが利用可能な場合、すべてのタスクに対してそれらを上回ります。重要性 - 全体として、解剖学的構造を正確にセグメント化するためのより堅牢でデータ集約的でないアプローチを提供することにより、提案された方法は、画像セグメンテーション戦略を必要とする臨床タスクを強化する可能性があります。

Objective - Medical image segmentation is essential for several clinical tasks, including diagnosis, surgical and treatment planning, and image-guided interventions. Deep Learning (DL) methods have become the state-of-the-art for several image segmentation scenarios. However, a large and well-annotated dataset is required to effectively train a DL model, which is usually difficult to obtain in clinical practice, especially for 3D images. Methods - In this paper, we proposed Deep-DM, a learning-guided deformable model framework for 3D medical imaging segmentation using limited training data. In the proposed method, an energy function is learned by a Convolutional Neural Network (CNN) and integrated into an explicit deformable model to drive the evolution of an initial surface towards the object to segment. Specifically, the learning-based energy function is iteratively retrieved from localized anatomical representations of the image containing the image information around the evolving surface at each iteration. By focusing on localized regions of interest, this representation excludes irrelevant image information, facilitating the learning process. Results and conclusion - The performance of the proposed method is demonstrated for the tasks of left ventricle and fetal head segmentation in ultrasound, left atrium segmentation in Magnetic Resonance, and bladder segmentation in Computed Tomography, using different numbers of training volumes in each study. The results obtained showed the feasibility of the proposed method to segment different anatomical structures in different imaging modalities. Moreover, the results also showed that the proposed approach is less dependent on the size of the training dataset in comparison with state-of-the-art DL-based segmentation methods, outperforming them for all tasks when a low number of samples is available. Significance - Overall, by offering a more robust and less data-intensive approach to accurately segmenting anatomical structures, the proposed method has the potential to enhance clinical tasks that require image segmentation strategies.