Deep Learning based Direct Segmentation Assisted by Deformable Image Registration for Cone-Beam CT based Auto-Segmentation for Adaptive Radiotherapy

要約

コーンビーム CT (CBCT) ベースのオンライン適応放射線治療では、医師が輪郭を編集する時間コストを削減するために、正確な自動セグメンテーションが必要です。
ただし、深層学習 (DL) ベースの CBCT 画像の直接セグメンテーションは、主に画質が悪く、適切にラベル付けされた大規模なトレーニング データセットがないため、困難な作業です。
変形可能画像レジストレーション (DIR) は、同じ患者の計画 CT (pCT) の手動輪郭を CBCT に伝達するためによく使用されます。
この作業では、DIR の支援を受けて、上記の問題の解決に着手します。
私たちの方法は、3つの主要なコンポーネントで構成されています。
まず、pCT と CBCT の間の複数の DIR メソッドから派生した変形した pCT 輪郭を、DL ベースの直接セグメンテーション モデルの初期トレーニング用の疑似ラベルとして使用します。
次に、別の DIR アルゴリズムからの変形された pCT 輪郭をインフルエンサー ボリュームとして使用して、DL ベースの直接セグメンテーションの対象領域を定義します。
3 番目に、最初にトレーニングされた DL モデルは、より小さな真のラベルのセットを使用してさらに微調整されます。
疑似ラベルを使用し、インフルエンサー ボリュームを使用せずにトレーニングされた CBCT での DL ベースの直接セグメンテーションは、DIR ベースのセグメンテーションと比較してパフォーマンスが低いことがわかりました。
ただし、ダイレクト セグメンテーション ネットワークにインフルエンサー ボリュームとして変形した pCT 等高線を追加すると、セグメンテーションのパフォーマンスが劇的に向上し、DIR ベースのセグメンテーションの精度レベルに達します。
インフルエンサー ボリュームを含む DL モデルは、少数の真のラベル セットを使用して微調整することでさらに改善できます。
実験では、19 の構造のうち 7 つで、DIR ベースのセグメンテーションと比較して、少なくとも 0.2 Dice 類似係数が増加することが示されました。
DL ベースの直接 CBCT セグメンテーション モデルは、変形された pCT 等高線を疑似ラベルおよび初期トレーニングのインフルエンサー ボリュームとして使用し、モデルの微調整に真のラベルのより小さなセットを使用することにより、DIR ベースのセグメンテーション モデルよりも優れた性能を発揮するように改善できます。

要約(オリジナル)

Cone-beam CT (CBCT)-based online adaptive radiotherapy calls for accurate auto-segmentation to reduce the time cost for physicians to edit contours. However, deep learning (DL)-based direct segmentation of CBCT images is a challenging task, mainly due to the poor image quality and lack of well-labelled large training datasets. Deformable image registration (DIR) is often used to propagate the manual contours on the planning CT (pCT) of the same patient to CBCT. In this work, we undertake solving the problems mentioned above with the assistance of DIR. Our method consists of three main components. First, we use deformed pCT contours derived from multiple DIR methods between pCT and CBCT as pseudo labels for initial training of the DL-based direct segmentation model. Second, we use deformed pCT contours from another DIR algorithm as influencer volumes to define the region of interest for DL-based direct segmentation. Third, the initially trained DL model is further fine-tuned using a smaller set of true labels. We found that DL-based direct segmentation on CBCT trained with pseudo labels and without influencer volumes shows poor performance compared to DIR-based segmentation. However, adding deformed pCT contours as influencer volumes in the direct segmentation network dramatically improves segmentation performance, reaching the accuracy level of DIR-based segmentation. The DL model with influencer volumes can be further improved through fine-tuning using a smaller set of true labels. Experiments showed that 7 out of 19 structures have an at least 0.2 Dice similarity coefficient increase compared to DIR-based segmentation. A DL-based direct CBCT segmentation model can be improved to outperform DIR-based segmentation models by using deformed pCT contours as pseudo labels and influencer volumes for initial training, and by using a smaller set of true labels for model fine tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google