前列腺 CT 放疗中配准与分割联合的对抗优化
神经元与认知
2019-07-01 v1 人工智能
摘要
图像配准与分割的联合长期以来是医学影像中的活跃研究领域。在此，我们使用对抗学习在深度学习设定下重新表述该问题。我们考虑如下情形：固定图像、移动图像及其分割在训练时可用，而测试时分割不可用；这是放疗中的常见场景。所提框架由一个 3D 端到端生成器网络组成，它以无监督方式估计固定图像与移动图像之间的形变向量场（DVF），并将该 DVF 应用于移动图像及其分割。一个判别器网络被训练以评估移动图像与分割同固定图像与分割的对齐程度。所提网络在用于图像引导放疗的随访前列腺 CT 扫描上训练与评估，其中计划 CT 轮廓利用估计的 DVF 传播至每日 CT 图像。与采用 \texttt{elastix} 的常规配准的定量比较表明，所提方法提升了性能并大幅减少了计算时间，从而实现了在线自适应放疗所需的实时轮廓传播。
引用
@article{arxiv.1906.12222,
title = {Symphony of high-dimensional brain},
author = {Alexander N. Gorban and Valeri A. Makarov and Ivan Y. Tyukin},
journal= {arXiv preprint arXiv:1906.12222},
year = {2019}
}