Cardiac MRI-Image Segmentation by Parametric Curve Learning

Abstract

Datadrevne metoder ser stadig mer bruk innen medisin, og gir oss bedre forståelse av sykdommer, lar oss simulere effekten av ulike behandlingsmetoder og assisterer kirurger i operasjoner. Dataen disse metodene baserer seg på er typisk hentet ut fra medisinske bilder, noe som gjør bildesegmentering til en hjørnesten for datadrevne metoder. Eksisterende segmenteringsmetoder skårer høyt på nøyaktighet, men mangler egenskaper til å tilfredsstillende kunne representere kurvede objekter. Flere dataprossesseringssteg kan være nødvendig før segmenterte medisinske bilder kan brukes til noe nyttig. Denne masteroppgaven foreslår et nytt læringsoppsett for bildesegmentering, som kombinerer egenskapene til parametriske kurver for å representere objekter med den tradisjonelle oppgaven å segmentere MRI-bilder av hjertet.

Det foreslåtte læringsoppsettet består av en hjertemodell bygget av parametriske kurver, og en skreddersydd nettverksarkitektur, tapsfunksjon og gradientformulering. Læringsoppsettet er videre testet på benchmark datasettet ACDC og sammenlignet med det høytskårende nettverket U-Net. Resultatene viser at metoden ikke fungerer som ønsket i vårt oppsett, men at den bør bli videre utviklet og testet. Noen åpenbare forbedringer kunne sannsynligvis markant forbedret ytelsen til metoden, men disse gjenstår for framtidige studier.

Data-driven methods are flourishing in medicine, improving our understanding of diseases, simulating the effect of treatment, and assisting medical professionals in surgery. At the base of these methods lies image segmentation, a vital task for extracting information from medical images. While achieving high segmentation scores, existing methods for image segmentation have flaws in their ability to represent curved shapes accurately. Several data transformation steps may be necessary before the segmentation output can be put to good use. This thesis proposes a novel learning setup, combining the shape-representation superiority of parametric curves with the well-investigated task of Cardiac MRI-image segmentation.

The proposed setup consists of a parametric curve model for the heart shape, a custom network architecture, and custom loss and gradient formulations. We validate the method on the benchmark ACDC-dataset and compare the performance to a state-of-the-art network for medical image segmentation. The results obtained indicate that the method does not work in the current setup, but that it should be further developed and tested. Some obvious improvements could likely significantly enhance the method’s performance, but these are left for future studies.