基于双流链式 3D 深度网络融合的 PET/CT 食管癌大体肿瘤靶区精确分割
图像与视频处理
2019-09-09 v2 计算机视觉与模式识别
摘要
大体肿瘤靶区（GTV）分割是食管癌放疗计划中的关键步骤。肿瘤科医生间的不一致性与高昂的人工成本促使了该任务的自动化方法研究。然而，主流方法仅应用于治疗前获取的放疗计算机断层扫描（RTCT）图像。这限制了性能，因为 RTCT 中食管、肿瘤与周围组织间对比度低。本文旨在利用 RTCT 与正电子发射断层扫描（PET）两种成像模态以实现更精准的 GTV 分割。通过利用 PET，我们模拟了经常在开具放疗后获取的 RTCT 图像与早前用于癌症分期的 PET/CT 图像观察中勾画 GTV 边界的医务人员。为利用两种模态，我们提出一种双流链式分割方法，通过基于早期与晚期 3D 深度网络的融合有效融合 CT 与 PET 模态。此外，为实现融合与分割，我们提出一种简洁而高效渐进语义嵌套网络（PSNN）模型，其性能优于更复杂的模型。在 110 名食管癌患者上进行的 5 折交叉验证（迄今最大规模的分析）表明，所提双流链式分割流程与 PSNN 模型在绝对 Dice 分数（DSC）上较先前最先进工作显著提升 11%（从 0.654 至 0.764），同时将 Hausdorff 距离从 129 mm 降至 47 mm。
引用
@article{arxiv.1909.01524,
title = {Accurate Esophageal Gross Tumor Volume Segmentation in PET/CT using Two-Stream Chained 3D Deep Network Fusion},
author = {Dakai Jin and Dazhou Guo and Tsung-Ying Ho and Adam P. Harrison and Jing Xiao and Chen-kan Tseng and Le Lu},
journal= {arXiv preprint arXiv:1909.01524},
year = {2019}
}
备注
MICCAI 2019 (early accept and oral presentation)