Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân đoạn tuyến tiền liệt trong siêu âm qua trực tràng sử dụng thông tin trước từ chụp cộng hưởng từ
Tóm tắt
Trong tiêu chuẩn chăm sóc hiện tại, siêu âm qua trực tràng thời gian thực (TRUS) thường được sử dụng để hướng dẫn xạ trị vi hạt cho tuyến tiền liệt. Do TRUS cung cấp độ tương phản mô mềm hạn chế, việc phân đoạn tuyến tiền liệt trong hình ảnh TRUS thường gặp khó khăn và có sự biến động giữa các người quan sát và trong mỗi người quan sát, đặc biệt ở đáy và đỉnh nơi mà ranh giới của tuyến rất khó xác định. Chụp cộng hưởng từ (MRI) có độ tương phản mô mềm cao hơn cho phép dễ dàng xác định hình dáng của tuyến tiền liệt. Trong bài báo này, chúng tôi nhằm chỉ ra rằng việc phân đoạn tuyến tiền liệt trong hình ảnh TRUS dựa trên thông tin từ MRI có thể cải thiện phân đoạn tuyến tiền liệt chỉ dựa vào hình ảnh TRUS. Đầu tiên, chúng tôi so sánh phân đoạn tuyến tiền liệt dựa trên TRUS được sử dụng trong điều trị 598 bệnh nhân với một atlas MRI tuyến tiền liệt chất lượng cao và quan sát thấy sự không nhất quán ở điểm đỉnh và đáy. Thứ hai, được thúc đẩy bởi phát hiện này, chúng tôi đề xuất một kỹ thuật phân đoạn TRUS thay thế hoàn toàn tự động sử dụng thông tin từ MRI. Thuật toán này sử dụng mạng nơ-ron tích chập để phân đoạn tuyến tiền liệt trong hình ảnh TRUS ở giữa tuyến, nơi ranh giới của tuyến có thể được nhìn thấy rõ ràng. Sau đó, nó tái tạo ranh giới tuyến ở đỉnh và đáy với sự hỗ trợ của mô hình hình dạng thống kê được xây dựng từ một atlas MRI của 78 bệnh nhân. So với phân đoạn TRUS lâm sàng, phương pháp của chúng tôi đạt được kết quả phân đoạn giữa tuyến tương tự trong cơ sở dữ liệu 598 bệnh nhân. Đối với bảy bệnh nhân có cả TRUS và MRI, phương pháp của chúng tôi đạt được phân đoạn chính xác hơn ở đáy và đỉnh với phân đoạn MRI được sử dụng làm cơ sở. Kết quả của chúng tôi cho thấy việc sử dụng thông tin từ MRI trong phân đoạn tuyến tiền liệt TRUS có thể cải thiện hiệu suất ở đáy và đỉnh.
Từ khóa
#siêu âm qua trực tràng #phân đoạn tuyến tiền liệt #chụp cộng hưởng từ #độ tương phản mô mềm #mạng nơ-ron tích chậpTài liệu tham khảo
Morris WJ, Keyes M, Palma D, Spadinger I, McKenzie MR, Agranovich A, Pickles T, Liu M, Kwan W, Wu J, Berthelet E, Pai H (2009) Population-based study of biochemical and survival outcomes after permanent 125I brachytherapy for low- and intermediate-risk prostate cancer. Urology 73(4):860–865
Badiei S, Salcudean SE, Varah J, Morris WJ (2006) Prostate segmentation in 2D ultrasound images using image warping and ellipse fitting. In: International conference on medical image computing and computer-assisted intervention. Springer, Berlin, pp 17–24
Soumya G, Arnau O, Robert M, Xavier L, Joan CV, Jordi F, Jhimli M, Dsir S, Fabrice M (2012) A survey of prostate segmentation methodologies in ultrasound, magnetic resonance and computed tomography images. Comput Methods Programs Biomed 108(1):262–287
Pathak SD, Haynor DR, Kim Y (2000) Edge-guided boundary delineation in prostate ultrasound images. IEEE Trans Med Imaging 19(12):1211–1219
Gong L, Pathak SD, Haynor DR, Cho PS, Kim Y (2004) Parametric shape modeling using deformable superellipses for prostate segmentation. IEEE Trans Med Imaging 23(3):340–349
Shen D, Zhan Y, Davatzikos C (2003) Segmentation of prostate boundaries from ultrasound images using statistical shape model. IEEE Trans Med Imaging 22(4):539–551
Mahdavi SS, Chng N, Spadinger I, Morris WJ, Salcudean SE (2011) Semi-automatic segmentation for prostate interventions. Med Image Anal 15(2):226–237
Mahdavi SS, Spadinger I, Chng N, Salcudean SE, Morris WJ (2013) Semiautomatic segmentation for prostate brachytherapy: dosimetric evaluation. Brachytherapy 12(1):65–76
Abolmaesumi P, Sirouspour MR (2004) An interacting multiple model probabilistic data association filter for cavity boundary extraction from ultrasound images. IEEE Trans Med Imaging 23(6):772–784
Nouranian S, Mahdavi SS, Spadinger I, Morris WJ, Salcudean SE, Abolmaesumi P (2015) A multi-atlas based segmentation framework for prostate brachytherapy. IEEE Trans Med Imaging 34(4):950–961
Nouranian S, Ramezani M, Spadinger I, Morris WJ, Salcudean SE, Abolmaesumi P (2016) Learning-based multi-label segmentation of transrectal ultrasound images for prostate brachytherapy. IEEE Trans Med Imaging 35(3):921–931
Anas EM, Nouranian S, Mahdavi SS, Spadinger I, Morris WJ, Salcudean SE, Mousavi P, Abolmaesumi P (2017) Clinical target-Volume delineation in prostate brachytherapy using residual neural networks. In: International conference on medical image computing and computer-assisted intervention. Springer, Berlin, pp 365–373
Martin S, Daanen V, Troccaz S (2008) Atlas-based prostate segmentation using an hybrid registration. Int J Comput Assist Radiol Surg 3(6):485–492
Rahmouni A, Yang A, Tempany CM, Frenkel T, Epstein J, Walsh P, Leichner PK, Ricci C, Zerhouni E (1992) Accuracy of in-vivo assessment of prostatic volume by MRI and transrectal ultrasonography. J Comput Assist Tomogr 16(6):935–940
Lee JS, Chung BH (2007) Transrectal ultrasound versus magnetic resonance imaging in the estimation of prostate volume as compared with radical prostatectomy specimens. Urol Int 78(4):323–327
Reynier C, Troccaz J, Fourneret P, Dusserre A, Gay-Jeune C, Descotes JL, Bolla M, Giraud JY (2004) MRI/TRUS data fusion for prostate brachytherapy. Preliminary results. Med Phys 31(6):1568–1575
Khallaghi S, Snchez CA, Rasoulian A, Nouranian S, Romagnoli C, Abdi H, Chang SD, Black PC, Goldenberg L, Morris WJ, Spadinger I, Fenster A, Ward A, Fels S, Abolmaesumi P (2015) Statistical biomechanical surface registration: application to MR–TRUS fusion for prostate interventions. IEEE Trans Med Imaging 34(12):2535–2549
Litjens G, Toth R, van de Ven W, Hoeks C, Kerkstra S, van Ginneken B, Vincent G, Guillard G, Birbeck N, Zhang J, Strand R, Malmberg F, Ou Y, Davatzikos C, Kirschner M, Jung F, Yuan J, Qiu W, Gao Q, Edwards PE, Maan B, van der Heijden F, Ghose S, Mitra J, Dowling J, Barratt D, Huisman H, Madabhushi A (2014) Evaluation of prostate segmentation algorithms for MRI: the PROMISE12 challenge. Med Image Anal 18(2):359–373
Ronneberger O, Fischer P, Brox T (2015) U-net: convolutional networks for biomedical image segmentation. In: International conference on medical image computing and computer-assisted intervention. Springer, Berlin, pp 234–241
Milletari F, Navab N, Ahmadi S (2016) V-net: fully convolutional neural networks for volumetric medical image segmentation. In: IEEE international conference on 3D vision, pp 565–571
Simonyan K, Zisserman A (2014) Very deep convolutional networks for large-scale image recognition. In: Proceedings of the 3rd international conference on learning representations. arXiv:1409.1556
Xu B, Wang N, Chen T, Li M (2015) Empirical evaluation of rectified activations in convolutional network. arXiv:1505.00853
Gao H, Zhuang L, Kilian QW, Laurens van der M (2017) Densely connected convolutional networks. In: IEEE conference on computer vision and pattern recognition, pp 2261–2269
Havaei M, Axel Davy A, David Warde-Farley D, Antoine Biard A, Aaron Courville A, Yoshua Bengio Y, Chris Pal C, Pierre-Marc Jodoin P, Hugo Larochelle H (2017) Brain tumor segmentation with deep neural networks. Med Image Anal 35:18–31
Salehi S, Erdogmus D, Gholipour A (2017) Tversky loss function for image segmentation using 3D fully convolutional deep networks. In: International workshop on machine learning in medical, imaging, pp 379–387
Kingma DP, Ba J (2015) Adam: a method for stochastic optimization. In: Proceedings of the 3rd international conference on learning representations. arXiv:1412.6980
Rasoulian A, Rohling R, Abolmaesumi P (2012) Group-wise registration of point sets for statistical shape models. IEEE Trans Med Imaging 31(11):2025–2034
Blanz V, Mehl A, Vetter T, Seidel HP (2004) A statistical method for robust 3D surface reconstruction from sparse data. In: Proceedings of 2nd international symposium on 3D data processing, visualization and transmission, pp 293–300
Myronenko A, Song X (2010) Point set registration: coherent point drift. IEEE Trans Pattern Anal Mach Intell 32(12):2262–2275