nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

Deep Small Bowel Segmentation with Cylindrical Topological Constraints

verfasst von : Seung Yeon Shin, Sungwon Lee, Daniel Elton, James L. Gulley, Ronald M. Summers

Erschienen in: Medical Image Computing and Computer Assisted Intervention – MICCAI 2020

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

We present a novel method for small bowel segmentation where a cylindrical topological constraint based on persistent homology is applied. To address the touching issue which could break the applied constraint, we propose to augment a network with an additional branch to predict an inner cylinder of the small bowel. Since the inner cylinder is free of the touching issue, a cylindrical shape constraint applied on this augmented branch guides the network to generate a topologically correct segmentation. For strict evaluation, we achieved an abdominal computed tomography dataset with dense segmentation ground-truths. The proposed method showed clear improvements in terms of four different metrics compared to the baseline method, and also showed the statistical significance from a paired t-test.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Memory-Efficient Automatic Kidney and Tumor Segmentation Based on Non-local Context Guided 3D U-Net

Nächstes Kapitel Learning Sample-Adaptive Intensity Lookup Table for Brain Tumor Segmentation

https://www.slicer.org.

Small bowel obstruction (2019). https://my.clevelandclinic.org/health/diseases/15850-small-bowel-obstruction

Adcock, A., Rubin, D., Carlsson, G.: Classification of hepatic lesions using the matching metric. Comput. Vis. Image Understand. 121, 36–42 (2014). https://doi.org/10.1016/j.cviu.2013.10.014CrossRef

Belchi, F., Pirashvili, M., Conway, J., Bennett, M., Djukanovic, R., Brodzki, J.: Lung topology characteristics in patients with chronic obstructive pulmonary disease. Sci. Rep. 8, 5341 (2018). https://doi.org/10.1038/s41598-018-23424-0CrossRef

Çiçek, Ö., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O.: 3D U-Net: learning dense volumetric segmentation from sparse annotation. In: Ourselin, S., Joskowicz, L., Sabuncu, M.R., Unal, G., Wells, W. (eds.) MICCAI 2016. LNCS, vol. 9901, pp. 424–432. Springer, Cham (2016). https://doi.org/10.1007/978-3-319-46723-8_49CrossRef

Clough, J.R., Oksuz, I., Byrne, N., Zimmer, V.A., Schnabel, J.A., King, A.P.: A topological loss function for deep-learning based image segmentation using persistent homology. arXiv preprint arXiv:1910.01877 (2019)

Fedorov, A., et al.: 3D slicer as an image computing platform for the quantitative imaging network. Magn. Reson. Imaging 30(9), 1323–1341 (2012). https://doi.org/10.1016/j.mri.2012.05.001CrossRef

Gabrielsson, R.B., Nelson, B.J., Dwaraknath, A., Skraba, P., Guibas, L.J., Carlsson, G.E.: A topology layer for machine learning. arXiv preprint arXiv:1905.12200 (2019)

Hu, X., Li, F., Samaras, D., Chen, C.: Topology-preserving deep image segmentation. Adv. Neural Inf. Process. Syst. 32, 5657–5668 (2019)

Loshchilov, I., Hutter, F.: Decoupled weight decay regularization. In: International Conference on Learning Representations (2019)

10.

Murphy, K.P., McLaughlin, P.D., O’Connor, O.J., Maher, M.M.: Imaging the small bowel. Curr. Opinion Gastroenterol. 30(2), 134–140 (2014)CrossRef

11.

Oda, H., et al.: Visualizing intestines for diagnostic assistance of ileus based on intestinal region segmentation from 3D CT images. arXiv preprint arXiv:2003.01290 (2020)

12.

Otter, N., Porter, M.A., Tillmann, U., Grindrod, P., Harrington, H.A.: A roadmap for the computation of persistent homology. EPJ Data Sci. 6, 17 (2017). https://doi.org/10.1140/epjds/s13688-017-0109-5CrossRef

13.

Ségonne, F., Fischl, B.: Integration of topological constraints in medical image segmentation. In: Paragios, N., Duncan, J., Ayache, N. (eds.) Handbook of Biomedical Imaging, pp. 245–262. Springer, Boston, MA (2015). https://doi.org/10.1007/978-0-387-09749-7_13CrossRef

14.

Sudre, C.H., Li, W., Vercauteren, T., Ourselin, S., Jorge Cardoso, M.: Generalised dice overlap as a deep learning loss function for highly unbalanced segmentations. In: Cardoso, M.J., et al. (eds.) DLMIA/ML-CDS -2017. LNCS, vol. 10553, pp. 240–248. Springer, Cham (2017). https://doi.org/10.1007/978-3-319-67558-9_28CrossRef

15.

Wu, Y., He, K.: Group normalization. arXiv preprint arXiv:1803.08494 (2018)

16.

Zhang, W., et al.: Mesenteric vasculature-guided small bowel segmentation on 3-D CT. IEEE Trans. Med. Imaging 32(11), 2006–2021 (2013). https://doi.org/10.1109/TMI.2013.2271487

Titel: Deep Small Bowel Segmentation with Cylindrical Topological Constraints
verfasst von: Seung Yeon Shin
Sungwon Lee
Daniel Elton
James L. Gulley
Ronald M. Summers
Verlag: Springer International Publishing
Buch: Medical Image Computing and Computer Assisted Intervention – MICCAI 2020
Print ISBN: 978-3-030-59718-4

Electronic ISBN: 978-3-030-59719-1

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-030-59719-1_21

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner