Computer-Aided Diagnostics: Segmentation of Knee Joint Anatomy Using Deep Learning Techniques

Abstract

Segmentering er prosessen i å dele bilder inn i flere meningsfulle deler og regioner medlignende egenskaper. Bildesegmentering er sterkt utnyttet i medisinsk bildebehandling,og gjør det mulig for leger å få ekstra diagnostisk innsikt. Semiautomatiske segmente-ringsverktøy er tilgjengelig i dag, men krever fortsatt mye manuelt arbeid og er sværttidkrevende.I de siste årene er det blitt gjort store fremskritt i maskinlæringsteknikker for bildedata,som også har vist seg å være nyttig for medisinsk bildesegmentering. Ved hjelp av en 3D-implementering av det fully convolutionalnevrale nettverket U-Net har vi implementerten helautomatisk prosess for semantisk segmentering av bein, fremre korsbåndet (ACL)og bakre korsbåndet (PCL). Vi finner at modellen er i stand til å nøyaktig segmenterealle tre komponentene.En plattform for å lage og teste forskjellige modellkonfigurasjoner er også utviklet, inklu-dert et grafisk brukergrensesnitt (GUI) for visuelt å sammenligne de predikerte segmen-teringsmasker mot de reelle (ground truth) segmenteringsmaskene. Plattformen er lett ogfleksibel, og kan lett tilpasses til andre segmenteringsoppgaver i fremtiden

Segmentation is the process of dividing images into multiple meaningful parts and regionswith similar attributes. Image segmentation is heavily utilized in medical imaging andallows doctors to gain additional diagnostic insight. Semi-automatic segmentation toolsare available today, but still, require a lot of user input and is highly time-consuming.In recent years there has been a rapid advance in machine learning techniques for computervision applications, which have also proven to be useful for medical image segmentation.Using a 3D implementation of the fully convolutional neural network U-Net model wehave implemented a fully automated process for semantic segmentation of the bones, theanterior cruciate ligament (ACL) and posterior cruciate ligament (PCL) of the knee joint.We find that the model is able to segment all three components accurately.A platform for creating and testing different model pipelines has also been developed,including a graphical user interface (GUI) to visually compare the predicted segmentationmasks to their ground truth counterparts. The platform is lightweight and flexible, andcan easily be adapted to other segmentation tasks in the future.