Semi-Overcomplete Convolutional Auto-Encoder Embedding as Shape Priors for Deep Vessel Segmentation

Autor: Amine Sadikine, Bogdan Badic, Jean Pierre Tasu, Vincent Noblet, Dimitris Visvikis, Pierre-Henri Conze
Přispěvatelé: Laboratoire de Traitement de l'Information Medicale (LaTIM), Université de Brest (UBO)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre Hospitalier Régional Universitaire de Brest (CHRU Brest)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT)-Institut Brestois Santé Agro Matière (IBSAM), Université de Brest (UBO), Université de Bretagne Occidentale - UFR Médecine et Sciences de la Santé (UBO UFR MSS), Centre Hospitalier Régional Universitaire de Brest (CHRU Brest), Centre hospitalier universitaire de Poitiers (CHU Poitiers), Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (ICube), École Nationale du Génie de l'Eau et de l'Environnement de Strasbourg (ENGEES)-Université de Strasbourg (UNISTRA)-Institut National des Sciences Appliquées - Strasbourg (INSA Strasbourg), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Institut National de Recherche en Informatique et en Automatique (Inria)-Les Hôpitaux Universitaires de Strasbourg (HUS)-Centre National de la Recherche Scientifique (CNRS)-Matériaux et Nanosciences Grand-Est (MNGE), Université de Strasbourg (UNISTRA)-Université de Haute-Alsace (UHA) Mulhouse - Colmar (Université de Haute-Alsace (UHA))-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut de Chimie du CNRS (INC)-Centre National de la Recherche Scientifique (CNRS)-Université de Strasbourg (UNISTRA)-Université de Haute-Alsace (UHA) Mulhouse - Colmar (Université de Haute-Alsace (UHA))-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut de Chimie du CNRS (INC)-Centre National de la Recherche Scientifique (CNRS)-Réseau nanophotonique et optique, Université de Strasbourg (UNISTRA)-Université de Haute-Alsace (UHA) Mulhouse - Colmar (Université de Haute-Alsace (UHA))-Centre National de la Recherche Scientifique (CNRS)-Université de Strasbourg (UNISTRA)-Centre National de la Recherche Scientifique (CNRS), Centre National de la Recherche Scientifique (CNRS), Département lmage et Traitement Information (IMT Atlantique - ITI), IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), ANR-11-LABX-0004,CAMI,Gestes Médico-Chirurgicaux Assistés par Ordinateur(2011), ANR-11-INBS-0006,FLI,France Life Imaging(2011), Conze, Pierre-Henri, Institut National de la Santé et de la Recherche Médicale (INSERM)
Jazyk: angličtina
Rok vydání: 2022
Předmět:
Zdroj: 2022 IEEE International Conference on Image Processing (ICIP)
2022 IEEE International Conference on Image Processing (ICIP), Oct 2022, Bordeaux, France. pp.586-590, ⟨10.1109/ICIP46576.2022.9897188⟩
HAL
IEEE International Conference on Image Processing
IEEE International Conference on Image Processing, Oct 2022, Bordeaux, France. ⟨10.1109/ICIP46576.2022.9897188⟩
ICIP
29th IEEE International Conference on Image Processing (IEEE ICIP), Bordeaux, France, October 16-19, 2022
29th IEEE International Conference on Image Processing (IEEE ICIP), Bordeaux, France, October 16-19, 2022, Oct 2022, Bordeaux, France
DOI: 10.1109/ICIP46576.2022.9897188⟩
Popis: International audience; The extraction of blood vessels has recently experienced a widespread interest in medical image analysis. Automatic vessel segmentation is highly desirable to guide clinicians in computer-assisted diagnosis, therapy or surgical planning. Despite a good ability to extract large anatomical structures, the capacity of U-Net inspired architectures to automatically delineate vascular systems remains a major issue, especially given the scarcity of existing datasets. In this paper, we present a novel approach that integrates into deep segmentation shape priors from a Semi-Overcomplete Convolutional Auto-Encoder (S-OCAE) embedding. Compared to standard Convolutional Auto-Encoders (CAE), it exploits an over-complete branch that projects data onto higher dimensions to better characterize tiny structures. Experiments on retinal and liver vessel extraction, respectively performed on publicly-available DRIVE and 3D-IRCADb datasets, highlight the effectiveness of our method compared to U-Net trained without and with shape priors from a traditional CAE.
Databáze: OpenAIRE
Externí odkaz: