基于物理数据增强的可泛化锥束CT食管分割
图像与视频处理
2021-02-02 v2 计算机视觉与模式识别
摘要
食管的自动分割在肺癌的图像引导/自适应放疗中至关重要，以尽量减少放射性毒性如急性食管炎。我们开发了一种基于语义物理的数据增强方法，使用3D卷积神经网络在计划CT（pCT）和锥束CT（CBCT）中分割食管。来自四个独立数据集的191例病例及其pCT和CBCT被用于训练一个改进的3D-Unet架构，该架构具有专为食管等软组织器官设计的多目标损失函数。使用幂律自适应直方图均衡化方法从第1周CBCT中提取散射伪影和噪声，并将其施加到相应的pCT上，随后使用CBCT重建参数进行重建。此外，我们利用基于物理的伪影诱导pCT来驱动真实每周CBCT中的食管分割。使用几何Dice和Hausdorff距离以及剂量学上的平均食管剂量和D5cc评估分割结果。由于基于物理的数据增强，我们仅在合成CBCT上训练的模型具有足够的鲁棒性和泛化能力，也能在pCT和CBCT上产生最先进的结果，达到0.81和0.74的Dice重叠。我们的基于物理的数据增强跨越了患者CBCT/pCT数据的真实噪声/伪影谱，并且可以很好地跨模态泛化，有潜力提高治疗摆位和应答分析的精度。
引用
@article{arxiv.2006.15713,
title = {Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based Data Augmentation},
author = {Sadegh R Alam and Tianfang Li and Pengpeng Zhang and Si-Yuan Zhang and Saad Nadeem},
journal= {arXiv preprint arXiv:2006.15713},
year = {2021}
}
备注
Accepted to Physics in Medicine & Biology 2021