用于锥束 CT 肺肿瘤分割的跨模态（MR-CT）诱导蒸馏学习
图像与视频处理
2021-09-15 v3 计算机视觉与模式识别
摘要
尽管治疗室内锥束计算机断层扫描 (CBCT) 成像已广泛可用，但由于缺乏可靠的分割方法，CBCT 仅用于肺癌放疗中的大体摆位校正。准确可靠的自动分割工具可促成体积应答评估与几何引导的适应性放疗。因此，我们开发了一种新的深度学习 CBCT 肺肿瘤分割方法。方法：我们所称的跨模态诱导蒸馏 (CMEDL) 方法的核心思想是利用磁共振成像 (MRI) 引导 CBCT 分割网络训练，以在训练中萃取更具信息量的特征。我们通过使用未配对的 CBCT 与 MRI 数据集训练由非配对域适应 (UDA) 与跨域分割蒸馏网络 (SDN) 构成的端到端网络来实现这一点。特征蒸馏正则化学生网络，使其提取的 CBCT 特征与教师网络提取的 MRI 特征的统计分布相匹配，并获得肿瘤与背景的更好区分。我们还与一种使用 UDA 结合 MR 分割网络的替代框架进行比较，该框架在合成的伪 MRI 表示上完成分割。所有网络均使用来自不同患者队列的 216 例每周 CBCT 与 82 例 T2 加权 turbo 自旋回波 MRI 训练。验证使用训练中未用的 20 例每周 CBCT。独立测试使用训练与验证中均未用的 38 例每周 CBCT。分割精度以表面 Dice 相似系数 (SDSC) 与第 95 百分位 Hausdorff 距离 (HD95) 指标衡量。
引用
@article{arxiv.2102.08556,
title = {Deep cross-modality (MR-CT) educed distillation learning for cone beam CT lung tumor segmentation},
author = {Jue Jiang and Sadegh Riyahi Alam and Ishita Chen and Perry Zhang and Andreas Rimner and Joseph O. Deasy and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2102.08556},
year = {2021}
}
备注
The paper has been accepted to Medical Physics