To deform or not: treatment-aware longitudinal registration for breast DCE-MRI during neoadjuvant chemotherapy via unsupervised keypoints detection

要約

臨床医は、術前補助化学療法 (NAC) 後の乳房 DCE-MRI と治療前のスキャンを比較して、NAC に対する反応を評価します。
臨床証拠は、治療された腫瘍領域を変形させることなく正確な縦方向の変形可能な位置合わせが腫瘍の変化を定量化する鍵であることを裏付けています。
時間の経過に伴う変化を定量化するために、教師なしキーポイント検出と選択的ボリューム保存に基づいた条件付きピラミッド登録ネットワークを提案します。
このアプローチでは、DCE-MRI から構造キーポイントと異常キーポイントを抽出し、登録アルゴリズムに構造キーポイントを適用して大きな変形を制限し、異常キーポイントに基づく体積保存損失を使用して、登録後に腫瘍の体積を変化させません。
。
NAC で治療を受けた 314 人の患者からの 1,630 件の MRI スキャンを含む臨床データセットを使用します。
結果は、私たちの方法がより優れたパフォーマンスと腫瘍のより優れた体積保存を記録していることを示しています。
さらに、提案された方法に基づくローカル-グローバル結合バイオマーカーは、病理学的完全応答（pCR）予測において高い精度を達成し、予測情報が腫瘍領域の外側に存在することを示します。
バイオマーカーは、特定の患者に対する不必要な手術を回避するために使用できる可能性がある。
臨床医および/またはコンピュータ システムにとって、我々の方法で登録された画像に対してフォローアップの腫瘍セグメンテーションと反応予測を行うことは価値があるかもしれません。
私たちのコードは \url{https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration} で入手できます。

要約(オリジナル)

Clinicians compare breast DCE-MRI after neoadjuvant chemotherapy (NAC) with pre-treatment scans to evaluate the response to NAC. Clinical evidence supports that accurate longitudinal deformable registration without deforming treated tumor regions is key to quantifying tumor changes. We propose a conditional pyramid registration network based on unsupervised keypoint detection and selective volume-preserving to quantify changes over time. In this approach, we extract the structural and the abnormal keypoints from DCE-MRI, apply the structural keypoints for the registration algorithm to restrict large deformation, and employ volume-preserving loss based on abnormal keypoints to keep the volume of the tumor unchanged after registration. We use a clinical dataset with 1630 MRI scans from 314 patients treated with NAC. The results demonstrate that our method registers with better performance and better volume preservation of the tumors. Furthermore, a local-global-combining biomarker based on the proposed method achieves high accuracy in pathological complete response (pCR) prediction, indicating that predictive information exists outside tumor regions. The biomarkers could potentially be used to avoid unnecessary surgeries for certain patients. It may be valuable for clinicians and/or computer systems to conduct follow-up tumor segmentation and response prediction on images registered by our method. Our code is available on \url{https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google