Segmentacja aorty z obrazów tomografii komputerowej przy użyciu głębokich sieci neuronowych

Abstract

W artykule zaproponowano wykorzystanie architektury nnU-Net do segmentacji aorty z obrazów tomografii komputerowej. Przetwarzanie wstępne obejmowało transformację różnych zakresów wartości do zakresu odpowiadającemu skali jednostek Hounsfielda oraz procedurę okienkowania. Na etapie treningu sieci przeprowadzono pięciokrotną walidację krzyżową oraz wytrenowano pięć modeli, których predykcje na zbiorze testowym zostały połączone. Dla modeli uzyskano średni współczynnik Dice'a na poziomie 0,921 oraz IoU równe 0,858, oznaczające wysoką jakość predykcji. Wartość odległości Hausdorffa ujawniła istnienie elementów odstających, a analiza trójwymiarowych rekonstrukcji wskazała obszary o niższej dokładności segmentacji.

The manuscript proposes employing the nnU-Net architecture for the segmentation of the aorta from computed tomography images. Preprocessing involved transforming various value ranges to align with the Hounsfield unit scale, in addition to implementing a windowing procedure. During the network training phase, a five-fold cross-validation protocol was utilized, resulting in the training of five models, whose predictions on the test set were aggregated. The models achieved an average Dice coefficient of 0.921 and an Intersection over Union of 0.858, signifying high prediction quality. The value of the Hausdorff distance indicated the presence of outliers, while the analysis of three-dimensional reconstructions highlighted regions of diminished segmentation accuracy.