Phân đoạn đồng thuận dựa trên lựa chọn đa bản đồ động của các cấu trúc đầu và cổ từ hình ảnh CT

Medical Physics - Tập 46 Số 12 - Trang 5612-5622 - 2019
Rabia Haq1, Sean L. Berry1, Joseph O. Deasy1, Margie Hunt1, Harini Veeraraghavan1
1Department of Medical Physics, Memorial Sloan-Kettering Cancer Center, New York, NY 10065 USA

Tóm tắt

Mục đíchViệc xác định thủ công các cấu trúc cơ quan nguy hiểm (OAR) ở đầu và cổ cho kế hoạch điều trị xạ trị mất nhiều thời gian và có độ biến thiên cao. Do đó, chúng tôi đã phát triển một phương pháp dựa trên lựa chọn đa bản đồ động để phân đoạn nhanh chóng và có thể tái tạo được.Phương phápPhương pháp của chúng tôi chọn và định lượng động số lượng bản đồ phù hợp cho việc hợp nhất nhãn có trọng số và tạo ra các phân đoạn cũng như bản đồ đồng thuận cho thấy sự đồng nhất tại các voxel giữa các bản đồ khác nhau. Các bản đồ được chọn cho một mục tiêu là những bản đồ vượt quá một trọng số căn chỉnh gọi là chỉ số chú ý bản đồ động. Trọng số căn chỉnh được tính toán ở mức hình ảnh và gọi là bỏ phiếu có trọng số toàn cục (GWV) hoặc ở mức cấu trúc và gọi là bỏ phiếu có trọng số cấu trúc (SWV) bằng cách sử dụng một chỉ số chuẩn hóa được tính bằng tổng bình phương của các khoảng cách từ tính toán phương pháp chụp cắt lớp vi tính (CT)-độ vô tuyến và các đặc trưng hàng xóm độc lập với phương thức (trích xuất thông tin cạnh). Các so sánh hiệu suất được thực hiện bằng cách sử dụng 77 hình ảnh CT H&N từ tập dữ liệu nội bộ tại Trung tâm Ung thư Memorial Sloan‐Kettering (N = 45) và một tập dữ liệu bên ngoài (N = 32) sử dụng hệ số tương đồng Dice (DSC), khoảng cách Hausdorff (HD), 95% phần trăm HD, độ trung vị của khoảng cách bề mặt lớn nhất, và tỷ lệ lỗi thể tích so với việc xác định bởi chuyên gia. Các so sánh độ chính xác DSC theo cặp của phương pháp đề xuất (GWV, SWV) so với bản đồ tốt nhất đơn lẻ (BA) hoặc phương pháp bỏ phiếu đa số (MV) được thực hiện bằng cách sử dụng bài kiểm tra Wilcoxon.

Từ khóa

#Phân đoạn đồng thuận #OAR #Hình ảnh CT #Phương pháp GWV #Phương pháp SWV

Tài liệu tham khảo

10.1016/j.ijrobp.2008.10.034

10.1016/j.ijrobp.2010.10.019

10.1002/mp.12197

10.1118/1.4871623

10.1016/j.ijrobp.2014.08.350

10.1002/mp.12045

10.1016/j.neuroimage.2003.11.010

10.1016/j.neuroimage.2006.05.061

10.1016/j.neuroimage.2009.02.018

10.1016/j.neuroimage.2006.07.050

10.1118/1.4927567

10.1109/TMI.2004.828354

10.1109/TMI.2014.2364863

10.1016/j.neuroimage.2009.09.069

HaoY LiuJ DuanYY et al.Local label learning (L3) for multi‐atlas based segmentation. Medical Imaging: Image Processing;2012:83142E.

10.1016/j.cmpb.2012.12.006

10.1002/mp.12197

10.1118/1.4961121

10.1088/0031-9155/55/21/001

10.1016/j.media.2012.05.008

10.1109/TMI.2010.2050897

10.1109/TMI.2009.2014372

10.1007/978-3-642-22092-0_7

10.1002/mp.12837

10.1186/1748-717X-7-160

10.1002/mp.12303

10.1016/j.prro.2012.11.010

10.1016/j.ijrobp.2010.07.009

10.1016/j.radonc.2014.08.028

10.1118/1.4871620

10.1088/1361-6560/aac712

10.1038/s41598-018-22980-9

Thông tin
Thông tin xuất bản

Medical Physics

Tập 46 Số 12

5612-5622

Thông tin tác giả