基于物理数据增强的多任务三维CBCT到CT转换与危险器官分割
图像与视频处理
2022-01-02 v4 计算机视觉与模式识别
摘要
在当前的临床实践中，含有噪声和伪影的每周锥束计算机断层扫描（CBCT）图像仅用于放疗期间的患者摆位。治疗计划在治疗开始时使用高质量计划CT（pCT）图像和危险器官（OARs）结构的人工勾画一次性完成。如果能够同时改善每周CBCT图像质量并对OAR结构进行分割，这将为放疗中期的方案调整以及推导治疗反应生物标志物提供关键信息。利用一种新颖的基于物理的数据增强策略，我们为局部晚期肺癌患者队列合成了一个大规模完美/固有配准的计划CT与合成CBCT配对数据集，随后将其用于一个多任务三维深度学习框架，以同时分割真实每周CBCT图像并将其转换为高质量类计划CT图像。我们将模型生成的合成CT与OAR分割结果与真实计划CT及人工OAR分割进行比较，展示了有前景的结果。真实的第1周（基线）CBCT图像与pCT图像相比平均MAE为162.77 HU，经转换得到的合成CT图像与pCT图像的平均MAE大幅改善至29.31 HU，平均结构相似性为92%。三维危险器官分割的平均DICE分数为：肺0.96、心脏0.88、脊髓0.83、食管0.66。该方法可使临床医生仅使用常规低质量CBCT图像调整治疗计划，从而潜在改善患者预后。我们的代码、数据和预训练模型将通过基于物理的数据增强库Physics-ArX在 https://github.com/nadeemlab/Physics-ArX 提供。
引用
@article{arxiv.2103.05690,
title = {Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation},
author = {Navdeep Dahiya and Sadegh R Alam and Pengpeng Zhang and Si-Yuan Zhang and Anthony Yezzi and Saad Nadeem},
journal= {arXiv preprint arXiv:2103.05690},
year = {2022}
}
备注
Medical Physics 2021