Using Deep Learning for Semantic Organ Segmentation in CT Images of the Abdomen

Abstract

[EN] The precise segmentation of abdominal organs has critical importance for several clinical procedures. However, anatomic variability in the abdomen poses a major challenge to automated segmentation, and manual correction is almost always required. For that reason, the main goal of this project is to try to mitigate that problem by working on a large dataset of more than 1000 annotated cases that come from 12 different medical centres. At the implementation level, the main purpose is to train several supervised deep learning models in order to detect each one of these 4 organs: The liver, Kidneys, Spleen and Pancreas in CT-scan images of the abdomen.

The dataset has been extracted for the website Grand-Challenge https://grand-challenge.org/, where multiple use cases related to Health are available. The deep learning models which would be used are derived from the U-Net architecture. This architecture has been widely used in semantic segmentation tasks yielding good enough results in terms of the intersection over union (IoU) metric.

[ES] La segmentación precisa de los órganos abdominales tiene una importancia crítica para varios procedimientos clínicos. Sin embargo, la variabilidad anatómica en el abdomen plantea un gran desafío para la segmentación automatizada y casi siempre se requiere la corrección manual. Por esa razón, el objetivo principal de este proyecto es tratar de mitigar ese problema trabajando con un gran conjunto de datos de más de 1000 casos anotados que provienen de 12 centros médicos diferentes. A nivel de implementación, el objetivo principal es entrenar varios modelos de aprendizaje profundo supervisados para detectar cada uno de los 4 órganos siguientes: hígado, riñones, bazo y páncreas en las imágenes de tomografía axial computarizada del abdomen.

El conjunto de datos se ha extraído desde el sitio web Grand-Challenge https://grand-challenge.org/, donde se encuentran disponibles múltiples casos de uso relacionados con la salud. Los modelos de aprendizaje profundo que se utilizarían se derivan de la arquitectura U-Net. Esta arquitectura se ha utilizado ampliamente en tareas de segmentación semántica y ha arrojado resultados suficientemente buenos en términos de la métrica de intersección sobre unión (IoU).

[CA] La segmentació precisa dels òrgans abdominals té una importància crítica per a diversos procediments clínics. No obstant això, la variabilitat anatòmica a l'abdomen planteja un gran desafiament per a la segmentació automatitzada i gairebé sempre es requereix la correcció manual. Per això, l'objectiu principal d'aquest projecte és intentar mitigar aquest problema treballant amb un gran conjunt de dades de més de 1000 casos anotats que provenen de 12 centres mèdics diferents. A nivell d'implementació, l'objectiu principal és entrenar diversos models d'aprenentatge profund supervisats per detectar cadascun dels 4 òrgans següents: fetge, ronyons, melsa i pàncrees a les imatges de tomografia axial computada de l'abdomen. El conjunt de dades s'ha extret des del lloc web Grand-Challenge https://grandchallenge.org/, on hi ha disponibles múltiples casos d'ús relacionats amb la salut. Els models d'aprenentatge profund que es farien servir es deriven de l'arquitectura U-Net. Aquesta arquitectura s'ha utilitzat àmpliament en tasques de segmentació semàntica i ha donat resultats prou bons en termes de la mètrica d'intersecció sobre unió (IoU).