論文の概要: Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based
Data Augmentation
- arxiv url: http://arxiv.org/abs/2006.15713v2
- Date: Sat, 30 Jan 2021 22:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 02:59:54.498586
- Title: Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based
Data Augmentation
- Title(参考訳): 物理データ拡張を用いた一般化コーンビームCT食道分画
- Authors: Sadegh R Alam, Tianfang Li, Pengpeng Zhang, Si-Yuan Zhang, and Saad
Nadeem
- Abstract要約: 我々は,CT(pCT)とCBCT(cone-beam CT)の計画における食道の分節化のための意味物理学に基づくデータ拡張法を開発した。
191例のpCTおよびCBCTを用いて,食道などの軟部臓器に特異的に設計された多目的損失機能を有する3D-Unetアーキテクチャを訓練した。
我々の物理に基づくデータ拡張は、患者のCBCT/pCTデータにまたがる現実的なノイズ/アーティファクトスペクトルにまたがるものであり、治療のセットアップと反応分析の精度を向上する可能性を秘めている。
- 参考スコア(独自算出の注目度): 4.5846054721257365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated segmentation of esophagus is critical in image guided/adaptive
radiotherapy of lung cancer to minimize radiation-induced toxicities such as
acute esophagitis. We developed a semantic physics-based data augmentation
method for segmenting esophagus in both planning CT (pCT) and cone-beam CT
(CBCT) using 3D convolutional neural networks. 191 cases with their pCT and
CBCTs from four independent datasets were used to train a modified 3D-Unet
architecture with a multi-objective loss function specifically designed for
soft-tissue organs such as esophagus. Scatter artifacts and noise were
extracted from week 1 CBCTs using power law adaptive histogram equalization
method and induced to the corresponding pCT followed by reconstruction using
CBCT reconstruction parameters. Moreover, we leverage physics-based artifact
induced pCTs to drive the esophagus segmentation in real weekly CBCTs.
Segmentations were evaluated using geometric Dice and Hausdorff distance as
well as dosimetrically using mean esophagus dose and D5cc. Due to the
physics-based data augmentation, our model trained just on the synthetic CBCTs
was robust and generalizable enough to also produce state-of-the-art results on
the pCTs and CBCTs, achieving 0.81 and 0.74 Dice overlap. Our physics-based
data augmentation spans the realistic noise/artifact spectrum across patient
CBCT/pCT data and can generalize well across modalities with the potential to
improve the accuracy of treatment setup and response analysis.
- Abstract(参考訳): 食道の自動分割は、急性食道炎などの放射線誘発毒性を最小化するために、肺癌の画像誘導/適応放射線治療において重要である。
我々は,3次元畳み込みニューラルネットワークを用いて,計画的CT(pCT)とコーンビームCT(CBCT)の両方において食道を分節する意味物理学に基づくデータ拡張法を開発した。
191例のpCTおよびCBCTを用いて,食道などの軟部臓器に特異的に設計された多目的損失機能を備えた3D-Unetアーキテクチャを訓練した。
パワーロー適応ヒストグラム等化法を用いて,週1CBCTから散乱物とノイズを抽出し,それに対応するpCTに誘導し,CBCT再構成パラメータを用いて再構成した。
さらに, 実週CBCTにおいて, 物理系人工物によるpCTを用いて食道セグメンテーションを駆動する。
平均食道線量およびd5ccを用いて幾何学的ダイス距離とハウスドルフ距離を用いて分節を評価した。
物理に基づくデータ拡張により,合成CBCTのみをトレーニングしたモデルは,pCTとCBCTの最先端結果を生成できるほど頑健で一般化可能であり,0.81と0.74の重なりが得られた。
我々の物理に基づくデータ拡張は、患者のCBCT/pCTデータにまたがる現実的なノイズ/アーティファクトスペクトルにまたがるものであり、治療のセットアップと反応分析の精度を向上する可能性がある。
関連論文リスト
- Energy-Guided Diffusion Model for CBCT-to-CT Synthesis [8.888473799320593]
コーンビームCT(CBCT)は、臓器解剖が変化した場合の放射線治療を正確に行うことにより、適応放射線療法(ART)において重要な役割を担っている。
CBCT画像は散乱ノイズやアーティファクトに悩まされ、CBCTのみに依存して正確な線量計算と正確な組織局在を困難にしている。
本稿では,エネルギー誘導拡散モデル(EGDiff)を提案し,胸部腫瘍データセットを用いてCBCTから合成CT(sCT)を生成する実験を行った。
論文 参考訳(メタデータ) (2023-08-07T07:23:43Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Comparing 3D deformations between longitudinal daily CBCT acquisitions
using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。
平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
論文 参考訳(メタデータ) (2023-03-07T15:07:43Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳(メタデータ) (2022-12-26T13:56:12Z) - Evaluation of Synthetically Generated CT for use in Transcranial Focused
Ultrasound Procedures [5.921808547303054]
経頭蓋骨集束超音波(TFUS)は、頭蓋骨を通して音を非侵襲的に、しばしばMRI誘導下で小さな領域に集束する治療用超音波法である。
CT画像は、個々の頭蓋骨間で異なる音響特性を推定するために使われ、tFUS手術中に効果的に焦点を合わせることができる。
そこで我々は,3Dパッチベースの条件付き生成対向ネットワーク(cGAN)を用いて,日常的に取得したT1強調MRIからCT画像を合成した。
我々は,Kranion を用いた tFUS 計画のための sCT と実CT (rCT) 画像を比較し,音響ツールボックスを用いたシミュレーションを行った。
論文 参考訳(メタデータ) (2022-10-26T15:15:24Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation
Using Physics-Based Data Augmentation [4.3971310109651665]
現在の臨床実践では、放射線治療中の患者設定にのみ、ノイズとアーティファクトを付加した毎週のコーンビームCT画像が用いられる。
治療計画には, 高画質計画ct (pct) 画像とoars ( organ-at-risk) 構造の手輪郭を用いて, 治療開始時に一度行う。
OAR構造を同時にセグメンテーションしながら毎週CBCT画像の品質を向上させることができれば、放射線治療中の治療適応や治療応答のためのバイオマーカーの抽出に重要な情報を提供することができる。
論文 参考訳(メタデータ) (2021-03-09T19:51:44Z) - Deep cross-modality (MR-CT) educed distillation learning for cone beam
CT lung tumor segmentation [3.8791511769387634]
新しい深層学習型cbct肺腫瘍分割法を開発した。
提案手法の主な考え方は、磁気共鳴イメージング(MRI)を用いてCBCTセグメンテーションネットワークトレーニングをガイドすることである。
我々は,unpaired cbct と mri データセットを用いて,unpaired domain adaptation (uda) とcross-domain segmentation distillation network (sdn) からなるエンドツーエンドネットワークを訓練することでこれを実現する。
論文 参考訳(メタデータ) (2021-02-17T03:52:02Z) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳(メタデータ) (2020-07-20T12:45:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。