基于深度学习的男性盆腔 CT 图像中前列腺及危险器官分割
医学物理
2018-02-28 v1
摘要
由于放射肿瘤科医生专业水平与偏好的差异，在勾画感兴趣区域（ROIs）时会出现观察者间与观察者内的变异。我们评估了一种采用 U-Net 结构的分割模型在男性盆腔 CT 图像中勾画前列腺、膀胱和直肠的精度。用于训练和测试模型的数据集包含 85 名前列腺癌患者的原始 CT 扫描图像。我们设计了一个 2D U-Net 模型，直接学习将 2D CT 灰度图像映射为其对应 2D 危险器官（OAR）分割图像的映射函数。我们的网络包含具有可变核大小、通道数和激活函数的二维卷积层块。在 U-Net 模型的左侧，我们使用了三个 3x3 卷积，每个后接一个修正线性单元（ReLu）（激活函数）和一个最大池化操作。在 U-Net 模型的右侧，我们使用了一个 2x2 转置卷积和两个 3x3 卷积网络，后接 ReLu 激活函数。使用 U-Net 的自动分割得到以下平均 Dice 相似系数（DC）和标准差（SD）：前列腺、膀胱和直肠分别为 DC ± SD（0.88 ± 0.12）、（0.95 ± 0.04）和（0.92 ± 0.06）。此外，平均表面 Hausdorff 距离（ASHD）的均值和 SD 对于前列腺、膀胱和直肠分别为 1.2 ± 0.9 mm、1.08 ± 0.8 mm 和 0.8 ± 0.6 mm。我们提出的采用 U-Net 结构的方法在自动 ROI 分割中具有高精度和可重复性。这为在标准放射治疗计划 CT 扫描上改善靶区与周围正常软组织边界的自动勾画奠定了基础。
引用
@article{arxiv.1802.09587,
title = {Segmentation of the prostate and organs at risk in male pelvic CT images using deep learning},
author = {Samaneh Kazemifar and Anjali Balagopal and Dan Nguyen and Sarah McGuire and Raquibul Hannan and Steve Jiang and Amir Owrangi},
journal= {arXiv preprint arXiv:1802.09587},
year = {2018}
}
备注
18 pages, 4 figures, 3 tables