基于CBCT的自适应放疗中通过测试时优化（TTO）进行分割
计算机视觉与模式识别
2023-05-10 v1 医学物理
摘要
在线自适应放疗（ART）需要在大多为锥束计算机断层扫描（CBCT）图像中准确高效地自动分割靶区与危险器官（OARs）。通过传统或基于深度学习（DL）的可变形图像配准（DIR）将治疗前规划CT（pCT）上专家勾画的轮廓传播过来，可在许多情况下取得改善结果。典型的基于DL的DIR模型是基于群体的，即使用患者群体数据集训练，因此可能受泛化性问题影响。本文中，我们提出一种称为测试时优化（TTO）的方法，用以精炼预训练的基于DL的DIR群体模型：先针对每位个体测试患者，再逐步针对在线ART治疗的每个分次。我们提出的方法较不易受泛化性问题影响，从而可通过提升模型精度（尤其对离群值）来改善不同基于DL的DIR模型的整体性能。我们的实验使用239名头颈部鳞状细胞癌患者数据检验所提方法。首先，我们用200名患者训练群体模型，然后将TTO应用于剩余39名测试患者，通过精炼训练好的群体模型得到39个个体化模型。我们比较了各个体化模型与群体模型在分割精度上的表现。对于最先进架构Voxelmorph，在17个选定结构上平均而言，经TTO获得至少0.05 DSC提升或2 mm HD95提升的患者数为39名测试患者中的10名。从预训练群体模型经TTO导出个体化模型的平均耗时约为四分钟。当将个体化模型适配至同一患者的后续分次时，平均耗时减少至约一分钟且精度略有提升。
引用
@article{arxiv.2202.03978,
title = {Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive Radiation Therapy},
author = {Xiao Liang and Jaehee Chun and Howard Morgan and Ti Bai and Dan Nguyen and Justin C. Park and Steve Jiang},
journal= {arXiv preprint arXiv:2202.03978},
year = {2023}
}