基于深度学习的框架用于分割术后前列腺癌放疗中不可见临床靶区并估计不确定性
图像与视频处理
2020-04-29 v1 机器学习
医学物理
摘要
在前列腺癌术后放疗中，癌性前列腺腺体已被手术切除，因此待照射的临床靶区（CTV）包含肿瘤细胞的微观扩散，在典型临床图像如计算机断层扫描或磁共振成像中不可见。当前临床实践中，医师根据与邻近器官的关系及其他临床信息，按临床指南手动勾画 CTV。用传统图像分割方法自动化术后前列腺 CTV 分割一直是一大挑战。此处，我们提出一种深度学习模型克服该问题：先分割邻近器官，再利用其与 CTV 的关系辅助 CTV 分割。所提模型使用临床批准并用于患者治疗的标签训练，由于缺乏视觉金标准，这些标签存在较大的医师间差异。模型在 50 名患者的留出数据集上平均 Dice 相似系数（DSC）达 0.87，远优于既有方法如基于图谱的方法（DSC<0.7）。自动分割 CTV 轮廓的相关不确定性也被估计，以帮助医师检查并修订轮廓，尤其在医师间差异大的区域。我们还使用 4 点分级系统表明，自动分割 CTV 轮廓的临床质量等同于医师手动绘制的已批准临床轮廓。
引用
@article{arxiv.2004.13294,
title = {A deep learning-based framework for segmenting invisible clinical target volumes with estimated uncertainties for post-operative prostate cancer radiotherapy},
author = {Anjali Balagopal and Dan Nguyen and Howard Morgan and Yaochung Weng and Michael Dohopolski and Mu-Han Lin and Azar Sadeghnejad Barkousaraie and Yesenia Gonzalez and Aurelie Garant and Neil Desai and Raquibul Hannan and Steve Jiang},
journal= {arXiv preprint arXiv:2004.13294},
year = {2020}
}