CACTUSS: Common Anatomical CT-US Space for US examinations

要約

腹部大動脈瘤（AAA）は、大動脈の一部が拡大し、その壁が弱くなり、血管が破裂する可能性のある血管疾患である。腹部超音波検査は診断に利用されてきましたが、画質に限界があり、またオペレーターに依存するため、通常、モニタリングや治療計画にはCTスキャンが必要です。最近、腹部CTデータセットは、自動大動脈セグメンテーションのためのディープニューラルネットワークを訓練するためにうまく利用されている。したがって、この解決されたタスクから収集された知識は、AAA診断とモニタリングのためのUSセグメンテーションを改善するために活用される可能性がある。この目的のために、我々はCACTUSSを提案する：解剖学的CT-US共通空間は、CTとUSモダリティ間の仮想ブリッジとして機能し、自動AAAスクリーニング超音波検査を可能にする。CACTUSSは、一般に公開されているラベル付きデータを利用し、USとCTの両方の特性を受け継ぐ中間表現に基づいて、セグメンテーションを学習する。この新しい表現でセグメンテーションネットワークを学習し、さらに画像間変換ネットワークを採用することで、我々のモデルが実際のBモード画像で機能することを可能にしている。完全に教師ありの手法との定量的比較により、ダイススコアと診断指標の観点からCACTUSSの能力を示し、我々の手法がAAAスキャンと診断の臨床要件を満たしていることを示す。

要約(オリジナル)

Abdominal aortic aneurysm (AAA) is a vascular disease in which a section of the aorta enlarges, weakening its walls and potentially rupturing the vessel. Abdominal ultrasound has been utilized for diagnostics, but due to its limited image quality and operator dependency, CT scans are usually required for monitoring and treatment planning. Recently, abdominal CT datasets have been successfully utilized to train deep neural networks for automatic aorta segmentation. Knowledge gathered from this solved task could therefore be leveraged to improve US segmentation for AAA diagnosis and monitoring. To this end, we propose CACTUSS: a common anatomical CT-US space, which acts as a virtual bridge between CT and US modalities to enable automatic AAA screening sonography. CACTUSS makes use of publicly available labelled data to learn to segment based on an intermediary representation that inherits properties from both US and CT. We train a segmentation network in this new representation and employ an additional image-to-image translation network which enables our model to perform on real B-mode images. Quantitative comparisons against fully supervised methods demonstrate the capabilities of CACTUSS in terms of Dice Score and diagnostic metrics, showing that our method also meets the clinical requirements for AAA scanning and diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL