Exploring the combination of deep-learning based direct segmentation and deformable image registration for cone-beam CT based auto-segmentation for adaptive radiotherapy

要約

CBCTベースのオンライン適応放射線治療（ART）は、患者が治療台上で固定されて治療開始を待っているため、医師が輪郭を編集する時間コストを削減するために、正確な自動セグメンテーションモデルを必要とする。しかし、CBCT画像のオートセグメンテーションは、主に低画質とディープラーニング（DL）モデルを学習するための真のラベルの欠如が原因で、困難な作業となっています。一方、ARTにおけるCBCT自動セグメンテーションは、計画CT（pCT）上の手動輪郭が利用可能な他のセグメンテーション問題と比較して、ユニークなタスクである。この事前知識を利用するために、我々は頭頸部患者のCBCT上で変形可能な画像登録（DIR）と直接セグメンテーション（DS）を組み合わせることを提案する。まず、学習用の擬似ラベルとして、pCTとCBCT間の複数のDIR手法から得られた変形pCT輪郭を用いる。次に、変形pCT輪郭をバウンディングボックスとして用い、DSの関心領域を限定する。このとき、変形pCT輪郭は学習用の擬似ラベルとして用いられるが、バウンディングボックスとは異なるDIRアルゴリズムから生成される。第三に、バウンディングボックスを用いたモデルを真のラベル上で微調整する。その結果、擬似ラベルを用い、事前知識を利用せずに学習したCBCT上のDSは、DIRのみのセグメンテーションと比較して、非常に低いセグメンテーション性能であることが判明した。しかし、DSネットワークに変形したpCT輪郭をバウンディングボックスとして追加することで、DIRのみのセグメンテーションと比較して、セグメンテーション性能が劇的に改善される。また、バウンディングボックスを用いたDSモデルは、実ラベルを用いて微調整を行うことで、さらに性能を向上させることができる。実験では、19構造中7構造で、DIRのみのセグメンテーションと比較して、少なくとも0.2ダイスの類似度係数が増加することが示された。変形したpCT輪郭を学習用の擬似ラベルとして、またDSモデルにおける形状・位置特徴抽出用のバウンディングボックスとして利用することは、DIRとDSを融合する良い方法であると言える。

要約(オリジナル)

CBCT-based online adaptive radiotherapy (ART) calls for accurate auto-segmentation models to reduce the time cost for physicians to edit contours, since the patient is immobilized on the treatment table waiting for treatment to start. However, auto-segmentation of CBCT images is a difficult task, majorly due to low image quality and lack of true labels for training a deep learning (DL) model. Meanwhile CBCT auto-segmentation in ART is a unique task compared to other segmentation problems, where manual contours on planning CT (pCT) are available. To make use of this prior knowledge, we propose to combine deformable image registration (DIR) and direct segmentation (DS) on CBCT for head and neck patients. First, we use deformed pCT contours derived from multiple DIR methods between pCT and CBCT as pseudo labels for training. Second, we use deformed pCT contours as bounding box to constrain the region of interest for DS. Meanwhile deformed pCT contours are used as pseudo labels for training, but are generated from different DIR algorithms from bounding box. Third, we fine-tune the model with bounding box on true labels. We found that DS on CBCT trained with pseudo labels and without utilizing any prior knowledge has very poor segmentation performance compared to DIR-only segmentation. However, adding deformed pCT contours as bounding box in the DS network can dramatically improve segmentation performance, comparable to DIR-only segmentation. The DS model with bounding box can be further improved by fine-tuning it with some real labels. Experiments showed that 7 out of 19 structures have at least 0.2 dice similarity coefficient increase compared to DIR-only segmentation. Utilizing deformed pCT contours as pseudo labels for training and as bounding box for shape and location feature extraction in a DS model is a good way to combine DIR and DS.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL