Verbesserte segmentierte mehrerer Bauchorgane mittels 3D-grenzkonstruierter tiefer neuronaler Netze

Die quantitative Bewertung des Abdominalbereichs anhand klinisch erzeugter CT-Aufnahmen erfordert die gleichzeitige Segmentierung der abdominalen Organe. Dank der Verfügbarkeit leistungsstarker rechnerischer Ressourcen haben tiefenlernbasierte Methoden eine state-of-the-art-Leistung bei der Segmentierung von 3D-Abdominal-CT-Aufnahmen erzielt. Dennoch erschwert die komplexe Charakterisierung von Organen mit unscharfen Grenzen eine präzise Segmentierung dieser anatomischen Strukturen durch tiefenlernbasierte Ansätze. Insbesondere sind die Voxel an den Organrändern anfällig für Fehlvorhersagen, da die Intensitätswerte an den Grenzflächen zwischen Organen stark variieren. In dieser Arbeit wird die Möglichkeit untersucht, die Segmentierungsgenauigkeit bestehender 3D-Encoder-Decoder-Netzwerke für abdominelle Bilder durch die Nutzung der Vorhersage von Organrändern als ergänzende Aufgabe zu verbessern. Um das Problem der mehrfachen Organsegmentierung im Abdomen zu lösen, trainieren wir ein 3D-Encoder-Decoder-Netzwerk, um gleichzeitig die abdominalen Organe und ihre entsprechenden Grenzflächen in CT-Aufnahmen mittels Multi-Task-Lernen zu segmentieren. Das Netzwerk wird end-to-end mit einer Verlustfunktion trainiert, die zwei aufgabe-spezifische Verluste kombiniert: den Gesamtorgan-Segmentierungsverlust und den Verlust für die Randvorhersage. Wir untersuchen zwei unterschiedliche Netzwerkarchitekturen, die sich hinsichtlich des Grades der Gewichtsvereinigung zwischen den beiden Aufgaben innerhalb eines einheitlichen Multi-Task-Rahmens unterscheiden. Zur Bewertung der Wirksamkeit der ergänzenden Randvorhersage-Aufgabe bei der Verbesserung der Segmentierung mehrerer abdomineller Organe verwenden wir drei state-of-the-art-Encoder-Decoder-Netzwerke: 3D UNet, 3D UNet++ und 3D Attention-UNet. Die Effektivität der Nutzung von Organrandinformationen für die Segmentierung mehrerer abdominaler Organe wird an zwei öffentlich verfügbaren abdominalen CT-Datensätzen evaluiert. Es wird eine maximale relative Verbesserung von 3,5 % und 3,6 % im mittleren Dice-Score für die Datensätze Pancreas-CT und BTCV beobachtet.