3D U-Net: Lernen dichter volumetrischer Segmentierung aus spärlicher Annotation

Dieses Papier stellt ein Netzwerk zur Volumensegmentierung vor, das aus dünn beschrifteten Volumenbildern lernt. Wir skizzieren zwei attraktive Anwendungsfälle dieser Methode: (1) In einem halb-automatischen Setup beschriftet der Benutzer einige Schnittebenen im zu segmentierenden Volumen. Das Netzwerk lernt von diesen dünnen Beschriftungen und liefert eine dichte 3D-Segmentierung. (2) In einem voll-automatischen Setup gehen wir davon aus, dass ein repräsentativer, dünn beschrifteter Trainingsdatensatz existiert. Auf diesen Datensatz trainiert, segmentiert das Netzwerk neue Volumenbilder dicht. Das vorgeschlagene Netzwerk erweitert die frühere U-Net-Architektur von Ronneberger et al., indem es alle 2D-Operationen durch ihre 3D-Gegenstücke ersetzt. Die Implementierung führt während des Trainings effiziente Datenvergrößerung durch auf-the-fly elastische Deformationen durch. Es wird von Grund auf end-to-end trainiert, d.h., kein vortrainiertes Netzwerk ist erforderlich. Wir testen die Leistung der vorgeschlagenen Methode an einer komplexen, hochvariablen 3D-Struktur, dem Xenoopus-Nieren (Xenopus kidney), und erzielen gute Ergebnisse für beide Anwendungsfälle.