Learning Image Representations for Content Based Image Retrieval of Radiotherapy Treatment Plans

要約

目的: 知識ベースの計画 (KBP) では、通常、エンド ツー エンドのディープ ラーニング モデルをトレーニングして、線量分布を予測します。
ただし、エンドツーエンドの方法をトレーニングすることは、頻繁に使用される医療データセットのサイズが限られているため、実際的な制限に関連付けられる場合があります。
これらの制限に対処するために、解剖学的類似性に基づいて以前に計画された患者の線量分布を取得するためのコンテンツ ベースの画像検索 (CBIR) メソッドを提案します。
アプローチ: 私たちが提案する CBIR メソッドは、患者の解剖学的情報の潜在空間埋め込みを生成する表現モデルをトレーニングします。
次に、線量分布の画像検索のために、新しい患者の潜在空間埋め込みがデータベース内の以前の患者の潜在空間埋め込みと比較されます。
このプロジェクトのすべてのソース コードは github で入手できます。
主な結果: さまざまな CBIR メソッドの検索パフォーマンスは、公開されている計画と当施設の臨床計画の両方で構成されるデータセットで評価されます。
この調査では、単純なオートエンコーダーから SimSiam などの最近のシャム ネットワークまで、さまざまなエンコード方法を比較し、マルチタスク シャム ネットワークで最高のパフォーマンスが観察されました。
重要性: CBIR を適用してその後の治療計画を通知することで、エンド ツー エンドの KBP に関連する多くの制限に対処できる可能性があります。
現在の結果は、以前に開発されたシャム ネットワークにわずかな変更を加えることで、優れた画像検索パフォーマンスが得られることを示しています。
将来的には、MetaPlanner フレームワークなどの方法を通じて、CBIR を自動化された計画ワークフローに統合したいと考えています。

要約(オリジナル)

Objective: Knowledge based planning (KBP) typically involves training an end-to-end deep learning model to predict dose distributions. However, training end-to-end methods may be associated with practical limitations due to the limited size of medical datasets that are often used. To address these limitations, we propose a content based image retrieval (CBIR) method for retrieving dose distributions of previously planned patients based on anatomical similarity. Approach: Our proposed CBIR method trains a representation model that produces latent space embeddings of a patient’s anatomical information. The latent space embeddings of new patients are then compared against those of previous patients in a database for image retrieval of dose distributions. All source code for this project is available on github. Main Results: The retrieval performance of various CBIR methods is evaluated on a dataset consisting of both publicly available plans and clinical plans from our institution. This study compares various encoding methods, ranging from simple autoencoders to more recent Siamese networks like SimSiam, and the best performance was observed for the multitask Siamese network. Significance: Applying CBIR to inform subsequent treatment planning potentially addresses many limitations associated with end-to-end KBP. Our current results demonstrate that excellent image retrieval performance can be obtained through slight changes to previously developed Siamese networks. We hope to integrate CBIR into automated planning workflow in future works, potentially through methods like the MetaPlanner framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google