用于前列腺近距离放疗中粒子识别的深度回归模型
图像与视频处理
2019-06-26 v1 计算机视觉与模式识别
医学物理
摘要
植入后剂量测定(PID)是前列腺近距离放疗的关键步骤，利用CT对前列腺成像，使放射性粒子的位置与剂量分布能与实际前列腺直接关联。然而，由于金属伪影严重以及多个粒子聚集时外观高度重叠，在CT图像中识别这些粒子是一项极具挑战的任务。本文中，我们提出一种基于3D深度全卷积网络的自动高效算法，用于识别CT图像中植入的粒子。我们的方法将粒子定位任务建模为有监督回归问题，将输入CT图像投影到一张映射图，其中每个元素表示对应输入体素属于某粒子的概率。该深度回归模型显著抑制图像伪影，并使后处理更易且更可控。所提方法在一个大型临床数据库上验证，包含100名患者的7820个粒子，其中70名患者的5534个粒子用于模型训练与验证。我们的方法在30名测试患者中正确检测出2286个中的2150个(94.1%)，相较广泛使用的商业粒子查找软件(VariSeed, Varian, Palo Alto, CA)提升16%。
引用
@article{arxiv.1906.10183,
title = {A Deep Regression Model for Seed Identification in Prostate Brachytherapy},
author = {Yading Yuan and Ren-Dih Sheu and Luke Fu and Yeh-Chi Lo},
journal= {arXiv preprint arXiv:1906.10183},
year = {2019}
}
备注
Accepted for presentation in MICCAI 2019 (8 pages, 4 figures)