Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân đoạn tụy dựa trên mô hình trong hình ảnh CT tăng cường tương phản pha tĩnh mạch cửa
Tóm tắt
Nghiên cứu này nhằm mục đích tự động phát hiện và phân đoạn tụy trong hình ảnh cắt lớp vi tính (CT) tăng cường tương phản ở pha tĩnh mạch cửa. Hội đồng đánh giá thể chế của Đại học Erlangen-Nuremberg đã phê duyệt nghiên cứu này và miễn yêu cầu về sự đồng ý thông tin. Học phân biệt được sử dụng để xây dựng bộ phân loại mô tổ chức tụy, kết hợp các mối quan hệ không gian giữa tụy và các cơ quan, mạch máu xung quanh. Hơn nữa, biến đổi cosin rời rạc và biến đổi wavelet được sử dụng để xây dựng các đặc trưng kết cấu nhằm mô tả hình dạng tổ chức địa phương. Phân loại được sử dụng để hướng dẫn một mô hình hình dạng thống kê bị ràng buộc phù hợp với dữ liệu. Thuật toán phát hiện và phân đoạn tụy được đánh giá trên 40 dữ liệu CT liên tiếp được thu thập trong pha tác nhân tương phản tĩnh mạch cửa. Việc phân đoạn thủ công tụy được thực hiện bởi những bác sĩ chẩn đoán hình ảnh giàu kinh nghiệm và được sử dụng làm tiêu chuẩn tham khảo. Phân tích chéo ba lần được thực hiện. Việc phát hiện và phân đoạn dựa trên thuật toán đạt được khoảng cách bề mặt trung bình là 1,7 mm và tỷ lệ chồng chéo trung bình là 61,2 % so với tiêu chuẩn tham khảo. Thời gian hoạt động tổng thể của hệ thống là 20,4 phút. Phương pháp mới được trình bày cho phép phân đoạn tụy tự động trong hình ảnh CT pha tĩnh mạch cửa tăng cường tương phản, điều này có trong hầu hết mọi cuộc kiểm tra CT bụng lâm sàng thường quy. Phân đoạn tụy đáng tin cậy là rất quan trọng cho các hệ thống phát hiện hỗ trợ máy tính và hỗ trợ quyết định cụ thể cơ quan.
Từ khóa
#Phân đoạn tụy #Hình ảnh CT #Tăng cường tương phản #Phát hiện tự động #Học phân biệtTài liệu tham khảo
Ghaneh P, Costello E, Neoptolemos JP: Biology and management of pancreatic cancer. Postgrad Med J 84:478–97, 2008
Shimizu A, Ohno R, Ikegami T, Kobatake H, Nawano S, Smutek D: Segmentation of multiple organs in non-contrast 3D abdominal CT images. Int J Comput Assist Radiol Surg 2:135–142, 2007
Shimizu A, Kimoto T, Kobatake H, Nawano S, Shinozaki K: Automated pancreas segmentation from three-dimensional contrast-enhanced computed tomography. Int J Comput Assist Radiol Surg 5:85–98, 2010
Kitasaka T, Sakashita M, Mori K, Suenaga Y, Nawano S: A method for extracting pancreas regions from four-phase contrasted 3D abdominal CT images. Int J Comput Assist Radiol Surg 3:40, 2008
Wolz R, Chu C, Misawa K, Mori K, Rueckert D: Multi-organ abdominal CT segmentation using hierarchically weighted subject-specific atlases. MICCAI LNCS 7510:10–17, 2012
McNulty NJ, Francis IR, Platt JF, Cohan RH, Korobkin M, Gebremariam A: Multi-detector row helical CT of the pancreas: effect of contrast-enhanced multiphasic imaging on enhancement of the pancreas, peripancreatic vasculature and pancreatic adenocarcinoma. Radiology 220:97–102, 2001
Miller FH, Butler RS, Hoff FL, Fitzgerald SW, Nemcek Jr, AA, Gore RM: Using triphasic helical CT to detect focal hepatic lesions in patients with neoplasms. AJR Am J Roentgenol 171:643–649, 1998
Erdt M, Kirschner M, Steger S, and Wesarg S: Fast automatic liver segmentation combining learned shape priors with observed shape deviation. In: IEEE International Symposium on Computer-Based Medical Systems (CBMS), 2010, pp 249–254
Erdt M, Raspe M, Suehling M: Automatic hepatic vessel segmentation using graphics hardware. Medical Imaging and Augmented Reality 5128:403–412, 2008
Drechsler K, Laura CO: Hierachical decomposition of vessel skeletons for graph creation and feature extraction. In: IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2010, pp 456–461
Zhen Y, Barbu A, Georgescu B, Scheuering M, Comaniciu D: Fast automatic heart chamber segmentation from 3d ct data using marginal space learning and steerable features. In: 11th Int. Conf. on Computer Vision (ICCV), 2007, pp 1–8
Hastie T, Tibshirani R, Friedman J: The elements of statistical learning: data mining, inference, and prediction. The Mathematical Intelligencer 27:83–85, 2005
Breiman L, Friedman JH, Olshen RA, Stone CJ: Classification and regression trees. Chapman & Hall, New York, 1984
Felzenszwalb PF, Huttenlocher DP: Efficient belief propagation for early vision. Int J Comput Vis 70:41–54, 2006
Cootes TF, Taylor CJ, Cooper DH, Graham J: Active shape models—their training and application. Comput Vis Image Underst 61:38–59, 1995
Kirschner M, Wesarg S: Construction of groupwise consistent shape parameterizations by propagation. In: Dawant BM et al. (eds.) Medical Imaging 2010. Image Processing, 762352, Bellingham, WA, SPIE, 2010, pp 14–16
Kirschner M, Wesarg S: Automatische Initialisierung von Formmodellen mittels modellbasierter Registrierung. Bildverarbeitung für die Medizin. Informatik aktuell, 2011. doi:10.1007/978-3-642-19335-4_16
Heimann T, van Ginneken B, Styner MA, Arzhaeva Y, Aurich V, Bauer C, Beck A, Becker C, Beichel R, Bekes G, Bello F, Binnig G, Bischof H, Bornik A, Cashman PM, Chi Y, Cordova A, Dawant BM, Fidrich M, Furst JD, Furukawa D, Grenacher L, Hornegger J, Kainmüller D, Kitney RI, Kobatake H, Lamecker H, Lange T, Lee J, Lennon B, Li R, Li S, Meinzer HP, Nemeth G, Raicu DS, Rau AM, van Rikxoort EM, Rousson M, Rusko L, Saddi KA, Schmidt G, Seghers D, Shimizu A, Slagmolen P, Sorantin E, Soza G, Susomboon R, Waite JM, Wimmer A, Wolf I: Comparison and evaluation of methods for liver segmentation from CT datasets. IEEE Trans Med Imaging 28:1251–1256, 2009