用于前列腺磁共振引导放疗的低分辨率图像深度学习分割
医学物理
2023-10-18 v1
摘要
MR-Linac 可实现实时放疗自适应。然而，实时图像采集受限于 2D 以获取足够的空间分辨率，阻碍了准确的 3D 分割。通过降低空间分辨率，快速 3D 成像是可行的。我们的研究评估了在不损害深度学习分割性能的前提下，MR 图像的空间分辨率可降低多少。我们还评估了同时恢复高分辨率图像这一辅助任务的影响。使用 k 空间截断从 163 个 3D MR 扫描人工降采样得到空间分辨率水平约为 1.5x1.5x2/1.5x3x3/1.5x6x6/2.5x9x9 mm3 的图像。数据按 116/12/35 张图像划分为训练/验证/测试。训练 U-Net 以在各分辨率水平获得前列腺、膀胱和直肠的高分辨率分割。低分辨率图像通过对 10 名健康男性志愿者扫描获得，每名受试者 4 个序列，空间分辨率逐渐降低。由人工降采样数据训练的网络被微调以分割这些图像。对于人工降采样图像，在包含辅助任务时，从最高分辨率图像训练到最低分辨率图像的 DICE 结果分别为：CTV 0.87/0.86/0.86/0.85，膀胱 0.95/0.94/0.93/0.93，直肠 0.82/0.84/0.83/0.80；而对于采集的低分辨率图像分别为 0.78/0.76/0.71/0.59，0.82/0.85/0.81/0.74，0.81/0.82/0.69/0.58。包含辅助任务的训练分割结果在人工图像上相当，且在采集的低分辨率图像上有更好的趋势。这些结果表明，可在不显著降低分割深度学习网络准确性的情况下获得一定的图像采集加速。
引用
@article{arxiv.2310.11358,
title = {Deep learning segmentation of low-resolution images for prostate magnetic resonance-guided radiotherapy},
author = {Samuel Fransson and David Tilly and Robin Strand},
journal= {arXiv preprint arXiv:2310.11358},
year = {2023}
}