Liver Segmentation using Turbolift Learning for CT and Cone-beam C-arm Perfusion Imaging

要約

時間分離技術 (TST) を採用したモデルベースの再構成は、C アーム コーンビーム コンピューター断層撮影 (CBCT) を使用した肝臓の動的灌流イメージングを改善することがわかった。
CT 灌流データから抽出された事前知識を使用して TST を適用するには、肝臓を CT スキャンから正確にセグメント化する必要があります。
灌流マップの適切な視覚化と解釈のために、プライマリおよびモデルベースの CBCT データの再構成をセグメント化する必要があります。
この研究では、トレーニング CT、CBCT、CBCT TST の順序に従って、さまざまな肝臓セグメンテーション タスクでマルチスケール Attention UNet の修正バージョンを連続的にトレーニングする Turbolift 学習を提案します。
後続のもの – トレーニング用の限られた数のデータセットの問題に対処します。
CBCT TST からの肝臓セグメンテーションの最終タスクでは、提案された方法は、6 倍および 4 倍の相互検証実験で、それぞれ 0.874$\pm$0.031 および 0.905$\pm$0.007 の全体的な Dice スコアを達成し、統計的に有意な改善を確保しました。
そのタスク専用にトレーニングされたモデルに対して。
実験により、Turbolift はモデルの全体的なパフォーマンスを向上させるだけでなく、塞栓材料や切り捨てアーチファクトに起因するアーチファクトに対しても堅牢にすることが明らかになりました。
さらに、詳細な分析により、セグメンテーション タスクの順序が確認されました。
この論文は、CT、CBCT、および CBCT TST から肝臓をセグメント化する可能性を示し、利用可能な限られたトレーニング データから学習します。これは、将来、肝疾患の治療評価のための灌流マップの視覚化と評価に使用できる可能性があります。
.

要約(オリジナル)

Model-based reconstruction employing the time separation technique (TST) was found to improve dynamic perfusion imaging of the liver using C-arm cone-beam computed tomography (CBCT). To apply TST using prior knowledge extracted from CT perfusion data, the liver should be accurately segmented from the CT scans. Reconstructions of primary and model-based CBCT data need to be segmented for proper visualisation and interpretation of perfusion maps. This research proposes Turbolift learning, which trains a modified version of the multi-scale Attention UNet on different liver segmentation tasks serially, following the order of the trainings CT, CBCT, CBCT TST – making the previous trainings act as pre-training stages for the subsequent ones – addressing the problem of limited number of datasets for training. For the final task of liver segmentation from CBCT TST, the proposed method achieved an overall Dice scores of 0.874$\pm$0.031 and 0.905$\pm$0.007 in 6-fold and 4-fold cross-validation experiments, respectively – securing statistically significant improvements over the model, which was trained only for that task. Experiments revealed that Turbolift not only improves the overall performance of the model but also makes it robust against artefacts originating from the embolisation materials and truncation artefacts. Additionally, in-depth analyses confirmed the order of the segmentation tasks. This paper shows the potential of segmenting the liver from CT, CBCT, and CBCT TST, learning from the available limited training data, which can possibly be used in the future for the visualisation and evaluation of the perfusion maps for the treatment evaluation of liver diseases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google