Сегментация медицинских 3D-изображений с использованием персистентных гомологий
Ключевые слова:
сегментация медицинских изображений, предсказание формы, топологический анализ данных, персистентная гомология, сегментация узелков в легкихАннотация
Введение: традиционные подходы к обучению моделей сегментации часто опираются на функции потерь по вокселям, что недостаточно для многих задач сегментации, и не учитывают топологическую корректность сегментации. Следовательно, маски, полученные с помощью таких моделей, могут быть пространственно несогласованны, что приводит к появлению нереалистичных характеристик, таких как ложные связанные компоненты или дыры. Цель: разработать метод обучения моделей для повышения качества сегментации медицинских 3D-изображений за счет использования персистентных гомологий и сравнения диаграмм персистентности в процессе обучения. Результаты: предложен метод обучения моделей сегментации 3D-изображений, включающий ограничения на основе персистентных гомологий и функцию потерь, которая применяется для регуляризации процесса восстановления формы и краев маски. Представлена функция фильтрации, основанная на расстоянии до центроида бинарной маски, для уточнения формы и границы предсказанной маски. Анализ результатов, полученных в ходе экспериментов на данных компьютерной томографии легких для задачи сегментации и выделения целевых структур, показал эффективность предложенного метода. Он не только повышает точность на уровне вокселей, но и сохраняет существенные морфологические свойства, что крайне важно для последующих задач, таких как оценка объема узелков и принятие клинических решений. Практическая значимость: использование представленного метода позволило повысить качество сегментации легочных узелков по 3D-изображениям компьютерной томографии.
