ประชุมวิชาการBest Paper Award, ICCT 2024

Refining Class Confusion with Pixel Adjacency and Continual Learning in Medical Image Segmentation

H. Lee, P. Puttimit, W. Thongsopa, S. Roh, Y. R. Lee, S. Y. Park, W. Y. Tak, S. K. Jung

Proceedings of the 7th International Conference on Culture Technology (ICCT 2024), pp. 86-92

ในภาพ CT อวัยวะที่อยู่ติดกันมักทำให้โมเดลแยกไม่ออก งานนี้วัดว่าพิกเซลของแต่ละคลาสติดกับคลาสไหนมากแค่ไหน เลือกคู่ที่โมเดลสับสนบ่อย ให้มันเรียนคู่นั้นเป็นคลาสเดียวก่อน แล้วค่อยแยกออกด้วย continual segmentation ที่ใช้ class-specific head กับ CLIP text embedding ทดลองกับ 3 ชุดข้อมูล: KNUH Body Composition, MM-WHS และ FLARE22

โหลด PDF

ผลการทดลอง

จุด DSC ของกล้ามเนื้อหัวใจ (MYO) บน MM-WHS จาก 80.19 เป็น 90.46: +10.27จุด DSC ของกล้ามเนื้อหัวใจ (MYO) บน MM-WHS จาก 80.19 เป็น 90.46
DSC เฉลี่ยบน MM-WHS จาก baseline 84.81: 85.68%DSC เฉลี่ยบน MM-WHS จาก baseline 84.81
ชุดข้อมูลที่ทดลอง รวม CT จากโรงพยาบาล 1,004 ภาพ: 3ชุดข้อมูลที่ทดลอง รวม CT จากโรงพยาบาล 1,004 ภาพ

DSC ต่อคลาสบน MM-WHS: baseline เทียบกับการรวม LVC กับ MYO แล้วแยก

จากตาราง III ในบทความ

U-Net baseline
รวมแล้วแยก (LVC + MYO)

DSC %

60708090100

LVC
+3.79
RVC
+1.34
LAC
−5.99
RAC
+0.47
MYO
+10.27
AA
+2.20
PA
−6.03
AVG
+0.87

ดูเป็นตาราง

Class	U-Net baseline	รวมแล้วแยก (LVC + MYO)	Δ
LVC	89.33	93.12	+3.79
RVC	84.10	85.44	+1.34
LAC	90.02	84.03	−5.99
RAC	81.63	82.10	+0.47
MYO	80.19	90.46	+10.27
AA	91.64	93.84	+2.20
PA	76.79	70.76	−6.03
AVG	84.81	85.68	+0.87

สิ่งที่พบ

ได้ผลเมื่อสองคลาสมีค่า HU ต่างกันชัด อย่าง LVC กับ MYO ตรงนี้ MYO ดีขึ้นกว่า 10 จุด และคลาสข้าง ๆ ก็ขยับขึ้นนิดหน่อย
บน KNUH Body Composition ค่า IMAT ซึ่งโมเดลชอบแยกไม่ออกจากกล้ามเนื้อ ขยับจาก 77.55 เป็น 77.85 ส่วนค่าเฉลี่ยแทบไม่เปลี่ยน
บน FLARE22 ค่าเฉลี่ยลดลงทุกการทดลอง (จาก 90.39 เหลือ 87.96 ถึง 89.46) ถ้า HU ใกล้กันแต่ขนาดต่างกันมาก โมเดลจะเอนไปทางอวัยวะใหญ่ และอวัยวะที่รูปร่างเปลี่ยนมากระหว่างสไลซ์ก็แยกขอบยาก

กำลังโหลดบทความ…

ฉบับต้นฉบับของผู้เขียน งานวิจัยร่วมกับ Kyungpook National University และโรงพยาบาลมหาวิทยาลัย Kyungpook