論文の概要: Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation

• arxiv url: http://arxiv.org/abs/2103.05690v1
• Date: Tue, 9 Mar 2021 19:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 14:56:49.449585
• Title: Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation
• Title（参考訳）: 物理ベースのデータ拡張を用いたマルチタスク3次元CBCT-to-CT翻訳と臓器分割
• Authors: Navdeep Dahiya, Sadegh R Alam, Pengpeng Zhang, Si-Yuan Zhang, Anthony Yezzi, and Saad Nadeem
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.3971310109651665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: In current clinical practice, noisy and artifact-ridden weekly cone-beam computed tomography (CBCT) images are only used for patient setup during radiotherapy. Treatment planning is done once at the beginning of the treatment using high-quality planning CT (pCT) images and manual contours for organs-at-risk (OARs) structures. If the quality of the weekly CBCT images can be improved while simultaneously segmenting OAR structures, this can provide critical information for adapting radiotherapy mid-treatment as well as for deriving biomarkers for treatment response. Methods: Using a novel physics-based data augmentation strategy, we synthesize a large dataset of perfectly/inherently registered planning CT and synthetic-CBCT pairs for locally advanced lung cancer patient cohort, which are then used in a multitask 3D deep learning framework to simultaneously segment and translate real weekly CBCT images to high-quality planning CT-like images. Results: We compared the synthetic CT and OAR segmentations generated by the model to real planning CT and manual OAR segmentations and showed promising results. The real week 1 (baseline) CBCT images which had an average MAE of 162.77 HU compared to pCT images are translated to synthetic CT images that exhibit a drastically improved average MAE of 29.31 HU and average structural similarity of 92% with the pCT images. The average DICE scores of the 3D organs-at-risk segmentations are: lungs 0.96, heart 0.88, spinal cord 0.83 and esophagus 0.66. Conclusions: We demonstrate an approach to translate artifact-ridden CBCT images to high quality synthetic CT images while simultaneously generating good quality segmentation masks for different organs-at-risk. This approach could allow clinicians to adjust treatment plans using only the routine low-quality CBCT images, potentially improving patient outcomes.
• Abstract（参考訳）: 目的: 放射線治療における患者設定に限って, ノイズとアーチファクトを付加した毎週のコーンビームCT(CBCT)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。 毎週のCBCT画像の品質を向上し、同時にOAR構造をセグメント化できれば、放射線治療中治療の適応や治療対応のためのバイオマーカーの導出に重要な情報を提供することができます。 方法: 新規な物理ベースのデータ拡張戦略を用いて, 局所進行肺癌患者コホートに対して, 完全かつ独立に登録されたCTと合成CBCTのペアの大規模なデータセットを合成し, マルチタスク3Dディープラーニングフレームワークで, 実際のCBCT画像を高品質なCTライクな画像に同時分割, 翻訳する。 結果:本モデルで生成された合成CTとOARセグメンテーションと実際の企画CTと手動OARセグメンテーションを比較し,有望な結果を示した。 pCT画像と比較して平均MAEが162.77HUの実際の週1(ベースライン)CBCT画像は、29.31HUの平均MAEとpCT画像と92%の平均構造類似度を劇的に改善した合成CT画像に変換される。 3d臓器分節の平均diceスコアは、肺0.96、心臓0.88、脊髄0.83、食道0.66である。 結論:人工的なCBCT画像を高品質の合成CT画像に変換し、異なる臓器のための高品質のセグメンテーションマスクを同時に生成するアプローチを示す。 このアプローチにより、臨床医は日常的な低品質CBCT画像のみを使用して治療計画を調整することができ、患者の結果を改善できる可能性がある。

関連論文リスト

• ARTInp: CBCT-to-CT Image Inpainting and Image Translation in Radiotherapy [1.70645147263353]
  ARTInpは画像インペイントとCBCT-to-CT翻訳を組み合わせた新しいディープラーニングフレームワークである。 ARTInpをSynthRad 2023チャレンジのCBCTとCTのペア画像のデータセットでトレーニングした。
  論文  参考訳（メタデータ） (2025-02-07T13:04:25Z)
• HC$^3$L-Diff: Hybrid conditional latent diffusion with high frequency enhancement for CBCT-to-CT synthesis [10.699377597641137]
  本稿では,CBCT-to-CT合成のための新しい条件付き潜時拡散モデルを提案する。 我々はUnified Feature (UFE) を用いて画像を低次元の潜在空間に圧縮する。 本手法は, CBCT-to-CTの高精細合成を患者1人当たり2分以上で効率よく行うことができる。
  論文  参考訳（メタデータ） (2024-11-03T14:00:12Z)
• Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
  毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。 治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。 本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
  論文  参考訳（メタデータ） (2024-09-19T07:56:06Z)
• 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)
• 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)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based Data Augmentation [4.5846054721257365]
  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。
  論文  参考訳（メタデータ） (2020-06-28T21:12:09Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。