用于术后乳腺照射中肿瘤床体积自动勾画的显著性引导深度学习网络
图像与视频处理
2021-07-27 v2 计算机视觉与模式识别
摘要
高效、可靠且可重复的目标体积勾画是乳腺放疗有效规划的关键步骤。然而，术后乳腺目标勾画具有挑战性，因为肿瘤床体积（TBV）与正常乳腺组织在 CT 图像中的对比度相对较低。在本研究中，我们提出模拟手动目标勾画中的标记引导流程。我们开发了一种基于显著性的深度学习分割（SDL-Seg）算法，用于术后乳腺照射中准确的 TBV 分割。SDL-Seg 算法将标记位置线索形式的显著性信息整合到 U-Net 模型中。该设计迫使模型编码与位置相关的特征，从而突出高显著性区域并抑制低显著性区域。显著性图通过在 CT 图像上识别标记生成。随后使用距离变换结合高斯滤波器将标记位置转换为概率图。接着，CT 图像与相应的显著性图构成 SDL-Seg 网络的多通道输入。我们的内部数据集包含来自 29 名术后乳腺癌患者的 145 张俯卧位 CT 图像，这些患者接受了 GammaPod 上的 5 分次部分乳腺照射（PBI）方案。所提方法的性能与基础 U-Net 进行了比较。我们的模型在测试集上分别取得了 DSC、HD95 和 ASD 的均值（标准差）为 76.4%、6.76 mm 和 1.9 mm，且每个 CT 体积的计算时间低于 11 秒。SDL-Seg 在所有评价指标上均表现出优于基础 U-Net 的性能，同时保持了较低的计算成本。结果表明，SDL-Seg 是一种有前景的方法，可提高基于 GammaPod 的 PBI 等在线治疗规划程序的效率与准确性。
引用
@article{arxiv.2105.02771,
title = {Saliency-Guided Deep Learning Network for Automatic Tumor Bed Volume Delineation in Post-operative Breast Irradiation},
author = {Mahdieh Kazemimoghadam and Weicheng Chi and Asal Rahimi and Nathan Kim and Prasanna Alluri and Chika Nwachukwu and Weiguo Lu and Xuejun Gu},
journal= {arXiv preprint arXiv:2105.02771},
year = {2021}
}
备注
https://iopscience.iop.org/article/10.1088/1361-6560/ac176d