Multimodal Learning With Intraoperative CBCT & Variably Aligned Preoperative CT Data To Improve Segmentation

要約

コーンビームコンピュータ断層撮影法 (CBCT) は、正確な解釈に課題をもたらすアーチファクトに悩まされることが多いにもかかわらず、コンピュータ支援介入を容易にする重要なツールです。
画質の低下は下流のセグメンテーションに影響を与える可能性がありますが、高品質の術前スキャンが利用できることは改善の可能性を示しています。
ここでは、術前 CT スキャンと術中 CBCT スキャンが利用可能であるが、スキャン間の位置合わせ (位置合わせ) が不完全であるという設定を検討します。
我々は、大まかに位置合わせされた CBCT スキャンと CT スキャンを融合するマルチモーダル学習方法を提案し、最終的なセグメンテーションのパフォーマンスに対する CBCT の品質と位置ずれの影響を調査します。
この目的のために、実際の CT ボリュームと合成 CBCT ボリュームを含む合成的に生成されたデータセットを利用します。
応用シナリオとして、肝臓と肝臓腫瘍のセグメンテーションに焦点を当てます。
われわれは、術前 CT とシミュレートされた術中 CBCT を融合すると、（術中 CBCT のみを使用した場合と比較して）セグメンテーション パフォーマンスがほぼ向上すること、および明らかに位置がずれている術前データであってもセグメンテーション パフォーマンスを向上させる可能性があることを示します。

要約(オリジナル)

Cone-beam computed tomography (CBCT) is an important tool facilitating computer aided interventions, despite often suffering from artifacts that pose challenges for accurate interpretation. While the degraded image quality can affect downstream segmentation, the availability of high quality, preoperative scans represents potential for improvements. Here we consider a setting where preoperative CT and intraoperative CBCT scans are available, however, the alignment (registration) between the scans is imperfect. We propose a multimodal learning method that fuses roughly aligned CBCT and CT scans and investigate the effect of CBCT quality and misalignment on the final segmentation performance. For that purpose, we make use of a synthetically generated data set containing real CT and synthetic CBCT volumes. As an application scenario, we focus on liver and liver tumor segmentation. We show that the fusion of preoperative CT and simulated, intraoperative CBCT mostly improves segmentation performance (compared to using intraoperative CBCT only) and that even clearly misaligned preoperative data has the potential to improve segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google