Two Stage Segmentation of Cervical Tumors using PocketNet

要約

子宮頸がんは、依然として世界中の女性の間で 4 番目に多い悪性腫瘍です。1 同時化学放射線療法 (CRT) は、局所進行子宮頸がんに対する主力の最終的な治療計画として機能し、外部照射とその後の小線源療法が含まれます。2 放射線療法の治療計画に不可欠なのは、定期的な輪郭形成です。
子宮頸部レベルの標的腫瘍、関連する婦人科解剖学的構造、および隣接するリスクのある臓器（OAR）の両方。
しかし、これらの構造を手動で輪郭形成するのは時間と労力の両方がかかり、治療結果に影響を与える可能性がある既知の観察者間の変動に関連しています。
コンピューター断層撮影 (CT) 画像を使用して OAR と高リスク臨床腫瘍体積 (HR-CTV) を自動的にセグメント化する複数のツールが開発されていますが、3、4、5、6、ルーチンを使用した深層学習ベースの腫瘍セグメント化ツールの開発も進んでいます。
T2 強調 (T2w) 磁気共鳴画像法 (MRI) は、解剖学的構造と子宮頸がんの両方の日常的な輪郭形成を改善するという満たされていない臨床ニーズに対処し、それによって放射線治療計画の質と一貫性を向上させます。
この研究では、新しい深層学習モデル (PocketNet) を適用して、T2w MRI 上の子宮頸部、膣、子宮、および腫瘍をセグメント化しました。
PocketNet アーキテクチャのパフォーマンスは、5 分割相互検証を介してデータでトレーニングされたときに評価されました。
PocketNet は、腫瘍セグメンテーションでは 70%、臓器セグメンテーションでは 80% を超える平均 Dice-Sorensen 類似性係数 (DSC) を達成しました。
これらの結果は、PocketNet がコントラスト プロトコルの変動に対して堅牢であり、関心領域の信頼できるセグメンテーションを提供することを示唆しています。

要約(オリジナル)

Cervical cancer remains the fourth most common malignancy amongst women worldwide.1 Concurrent chemoradiotherapy (CRT) serves as the mainstay definitive treatment regimen for locally advanced cervical cancers and includes external beam radiation followed by brachytherapy.2 Integral to radiotherapy treatment planning is the routine contouring of both the target tumor at the level of the cervix, associated gynecologic anatomy and the adjacent organs at risk (OARs). However, manual contouring of these structures is both time and labor intensive and associated with known interobserver variability that can impact treatment outcomes. While multiple tools have been developed to automatically segment OARs and the high-risk clinical tumor volume (HR-CTV) using computed tomography (CT) images,3,4,5,6 the development of deep learning-based tumor segmentation tools using routine T2-weighted (T2w) magnetic resonance imaging (MRI) addresses an unmet clinical need to improve the routine contouring of both anatomical structures and cervical cancers, thereby increasing quality and consistency of radiotherapy planning. This work applied a novel deep-learning model (PocketNet) to segment the cervix, vagina, uterus, and tumor(s) on T2w MRI. The performance of the PocketNet architecture was evaluated, when trained on data via 5-fold cross validation. PocketNet achieved a mean Dice-Sorensen similarity coefficient (DSC) exceeding 70% for tumor segmentation and 80% for organ segmentation. These results suggest that PocketNet is robust to variations in contrast protocols, providing reliable segmentation of the regions of interest.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google