Liver Segmentation in Time-resolved C-arm CT Volumes Reconstructed from Dynamic Perfusion Scans using Time Separation Technique

要約

灌流イメージングは​​、肝腫瘍の診断と治療計画のための貴重なツールです。
時間分離技術 (TST) は、C アーム コーンビーム コンピューター断層撮影 (CBCT) 灌流データのモデル化に使用されています。
再構成には、肝臓のセグメンテーションを伴うことができます – より良い視覚化と包括的な灌流マップの生成のために。
最近導入された Turbolift 学習は、TST 再構成の作業中にうまく機能することが確認されていますが、TST 再構成から推定された時間分解ボリューム (TRV) については調査されていません。
TRV のセグメンテーションは、時間をかけて肝臓の動きを追跡するのに役立ちます。
この研究では、TRV の第 3 段階で Turbolift 学習のマルチスケール注意 UNet をトレーニングすることによってこの可能性を探り、TRV で効率的に動作することさえできるため、Turbolift 学習の堅牢性を示し、0.864$\pm の Dice スコアをもたらしました。
$0.004。

要約(オリジナル)

Perfusion imaging is a valuable tool for diagnosing and treatment planning for liver tumours. The time separation technique (TST) has been successfully used for modelling C-arm cone-beam computed tomography (CBCT) perfusion data. The reconstruction can be accompanied by the segmentation of the liver – for better visualisation and for generating comprehensive perfusion maps. Recently introduced Turbolift learning has been seen to perform well while working with TST reconstructions, but has not been explored for the time-resolved volumes (TRV) estimated out of TST reconstructions. The segmentation of the TRVs can be useful for tracking the movement of the liver over time. This research explores this possibility by training the multi-scale attention UNet of Turbolift learning at its third stage on the TRVs and shows the robustness of Turbolift learning since it can even work efficiently with the TRVs, resulting in a Dice score of 0.864$\pm$0.004.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google