Task-Specific Data Preparation for Deep Learning to Reconstruct Structures of Interest from Severely Truncated CBCT Data

要約

コーンビームコンピュータ断層撮影 (CBCT) は、インターベンション手術や放射線腫瘍学で広く使用されています。
フラットパネル検出器のサイズには制限があるため、限られた視野 (FOV) の外側では解剖学的構造が欠落する可能性があり、CBCT システムの臨床応用が制限されます。
最近、マルチスライス CT システムの FOV を拡張する深層学習方法が提案されています。
ただし、FOV サイズが小さいモバイル CBCT システムでは、投影データが大幅に切り捨てられるため、ネットワークが FOV の外側にあるすべての失われた構造を復元するのは困難です。
一部のアプリケーションでは、肝臓/肺癌診断のための針経路計画における肋骨など、FOV の外側の特定の構造のみが対象となります。
したがって、この研究では、ネットワークがすべての構造ではなく関心のある構造に自動的に焦点を当てる、タスク固有のデータ準備方法が提案されています。
私たちの予備実験では、従来のトレーニングを使用した Pix2pixGAN には、著しく切り詰められた CBCT データから偽陽性および偽陰性の肋骨構造を再構成するリスクがあるのに対し、提案されたタスク固有のトレーニングを使用した Pix2pixGAN はすべての肋骨を確実に再構成できることが示されました。
提案された方法は、CBCT をさらに臨床応用できるようにすることが期待されています。

要約(オリジナル)

Cone-beam computed tomography (CBCT) is widely used in interventional surgeries and radiation oncology. Due to the limited size of flat-panel detectors, anatomical structures might be missing outside the limited field-of-view (FOV), which restricts the clinical applications of CBCT systems. Recently, deep learning methods have been proposed to extend the FOV for multi-slice CT systems. However, in mobile CBCT system with a smaller FOV size, projection data is severely truncated and it is challenging for a network to restore all missing structures outside the FOV. In some applications, only certain structures outside the FOV are of interest, e.g., ribs in needle path planning for liver/lung cancer diagnosis. Therefore, a task-specific data preparation method is proposed in this work, which automatically let the network focus on structures of interest instead of all the structures. Our preliminary experiment shows that Pix2pixGAN with a conventional training has the risk to reconstruct false positive and false negative rib structures from severely truncated CBCT data, whereas Pix2pixGAN with the proposed task-specific training can reconstruct all the ribs reliably. The proposed method is promising to empower CBCT with more clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google