少量のデータを用いた肺血管の管状構造認識プロンプトチューニングによるセグメンテーション

科学分野:

• 医用画像処理
• コンピュータビジョン
• 人工知能

背景:

• CT画像における肺血管セグメンテーションは、肺疾患の診断に不可欠です。
• ディープラーニング手法は、複雑な血管解剖のため、限られた高品質の注釈付きデータでは苦労します。
• 手動注釈は時間がかかり、エラーが発生しやすく、困難です。

研究 の 目的:

• 肺血管と気道のペア注釈を持つ最初のデータセットであるPV25を導入すること。
• 少数ショット肺血管セグメンテーションのための新しい管状構造認識プロンプトチューニングフレームワークであるTPNetを提案すること。
• 医療画像セグメンテーションにおける限られた注釈の課題に対処すること。

主な方法:

• 肺血管と気道の詳細なペア注釈を持つPV25データセットを開発しました。
• 凍結バックボーンと調整可能なエンコーダー-デコーダーネットワークを使用した管状構造認識プロンプトチューニングフレームワークであるTPNetを提案しました。
• 血管特徴のキャプチャのために形態駆動型領域成長（MDRG）と、気道-血管相関のための相互相関ガイダンス（CCG）を組み込みました。

主要な成果:

• TPNetは、限られたトレーニングデータで肺血管セグメンテーションにおいて最先端のパフォーマンスを達成しました。
• 複数のデータセットで強力なパフォーマンスを実証し、既存の方法を上回りました。
• 気道セグメンテーションや動脈-静脈分類などの関連タスクにおける堅牢性と汎用性を示しました。

結論:

• TPNetは、管状構造の事前知識を活用することで、限られたデータを使用して効果的に肺血管をセグメント化します。
• PV25データセットは、肺血管および気道セグメンテーションの研究の進歩を促進します。
• TPNetは、医療画像セグメンテーションタスクに堅牢で汎用性の高いソリューションを提供します。