Unsupervised correspondence with combined geometric learning and imaging for radiotherapy applications

要約

この研究の目的は、放射線療法に適用するために、さまざまな患者の臓器セグメンテーション間の対応する点を正確に特定するモデルを開発することでした。
3D 形状の対応と補間推定を同時に行うためのモデルは、計画中の CT スキャンからの頭頸部臓器のセグメンテーションを使用してトレーニングされました。
次に、1) 画像パッチから直接特徴を抽出する、2) 損失関数の一部としてパッチ間の平均二乗誤差を含める、という 2 つのアプローチを使用して、元のモデルを拡張して画像情報を組み込みました。
対応と補間のパフォーマンスは、測地線誤差、面取り距離、等角歪みメトリクス、および解剖学的ランドマーク間の距離を使用して評価されました。
各モデルは、ベースラインの非剛体位置合わせアプローチよりも大幅に優れた対応関係を生成しました。
元のモデルは、画像特徴を直接組み込んだモデルと同様に機能しました。
最もパフォーマンスの高いモデル構成には、より解剖学的に妥当な対応関係を生成する損失関数の一部としてイメージング情報が組み込まれていました。
最もパフォーマンスの高いモデルを使用して、臓器上の対応する解剖学的点を特定し、結果モデリングの重要なステップである空間正規化を改善したり、解剖学的に情報に基づいた位置合わせの初期化として使用します。
すべてのコードは https://github.com/rrr-uom-projects/Unsup-RT-Corr-Net で公開されています。

要約(オリジナル)

The aim of this study was to develop a model to accurately identify corresponding points between organ segmentations of different patients for radiotherapy applications. A model for simultaneous correspondence and interpolation estimation in 3D shapes was trained with head and neck organ segmentations from planning CT scans. We then extended the original model to incorporate imaging information using two approaches: 1) extracting features directly from image patches, and 2) including the mean square error between patches as part of the loss function. The correspondence and interpolation performance were evaluated using the geodesic error, chamfer distance and conformal distortion metrics, as well as distances between anatomical landmarks. Each of the models produced significantly better correspondences than the baseline non-rigid registration approach. The original model performed similarly to the model with direct inclusion of image features. The best performing model configuration incorporated imaging information as part of the loss function which produced more anatomically plausible correspondences. We will use the best performing model to identify corresponding anatomical points on organs to improve spatial normalisation, an important step in outcome modelling, or as an initialisation for anatomically informed registrations. All our code is publicly available at https://github.com/rrr-uom-projects/Unsup-RT-Corr-Net

arxiv情報

提供元, 利用サービス

arxiv.jp, Google