文献速递:人工智能医学影像分割---基于合成MRI辅助的深度注意力全卷积网络的CT前列腺分割

文献速递:人工智能医学影像分割—基于合成MRI辅助的深度注意力全卷积网络的CT前列腺分割****

01文献速递介绍

Prostate cancer is the most common cancer and the second leading cause of cancer death among men in the United States.1 Depending on the risk of recurrence and extent of**disease, around 30% of prostate cancer patients receive radia tion therapy.2 External beam radiotherapy is a noninvasive modality which provides localized dose delivery, and has been widely adopted for the definitive treatment of prostate cancer. Prostate delineation is a prerequisite for treatment planning.3,4 In clinical practice, the prostate is contoured manually. Due to the low soft tissue contrast of CT images, prostate delineation suffers from inter- and intra-observervariability, and the delineation accuracy is highly dependent on the clinician’s expertise and experience.5 Studies shows that CT-defined prostate volume often overestimates the,prostate by over 30%.6,7 Computer-aided prostate segmenta tion methods have been developed to improve the accuracy of organ delineation.

前列腺癌是美国男性中最常见的癌症,也是癌症死亡的第二大原因。1 根据复发风险和疾病范围,大约30%的前列腺癌患者接受放射治疗。2 外照射放射治疗是一种非侵入性手段,提供局部剂量输送,已广泛应用于前列腺癌的确定性治疗。前列腺轮廓勾画是治疗计划的先决条件。3,4 在临床实践中,前列腺是手动勾画的。由于CT图像的低软组织对比度,前列腺轮廓勾画受到观察者之间和观察者内部的变异性影响,勾画准确性高度依赖于临床医生的专业知识和经验。5 研究表明,CT定义的前列腺体积通常高估前列腺超过30%。6,7 已经开发了计算机辅助的前列腺分割方法,以提高器官轮廓勾画的准确性。

Title

题目

CT prostate segmentation based on synthetic MRI-aided deep attention fullyconvolution network

基于合成MRI辅助的深度注意力全卷积网络的CT前列腺分割

Methods

方法

We developed a prostate segmentation strategy which employs an sMRI aided deep attention network to accurately segment the prostate on CT. Our method consists of three major steps. First, a cycle generative adversarial network was used to estimate an sMRI from CT images. Second, a deep attention fully convolution network was trained based on sMRI and the pros tate contours deformed from MRIs. Attention models were introduced to pay more attention to pros tate boundary. The prostate contour for a query patient was obtained by feeding the patient’s CT images into the trained sMRI generation model and segmentation model.

我们开发了一种前列腺分割策略,该策略采用sMRI辅助的深度注意力网络在CT上准确地分割前列腺。我们的方法包括三个主要步骤。首先,使用循环生成对抗网络从CT图像估计sMRI。其次,基于sMRI和从MRI变形来的前列腺轮廓训练了一个深度注意力全卷积网络。引入了注意力模型,以更多地关注前列腺边界。通过将查询患者的CT图像输入到训练好的sMRI生成模型和分割模型中,获得前列腺轮廓。

Results

结果

The segmentation technique was validated with a clinical study of 49 patients by leave-one out experiments and validated with an additional 50 patients by hold-out test. The Dice similarity

coefficient, Hausdorff distance, and mean surface distance indices between our segmented and deformed MRI-defined prostate manual contours were 0.92 0.09, 4.38 4.66, and 0.62 0.89 mm, respectively, with leave-one-out experiments, and were 0.91 0.07, 4.57 3.03,and 0.62 0.65 mm, respectively, with hold-out test.

该分割技术通过对49名患者的临床研究进行留一实验进行了验证,并通过对额外50名患者的保留测试进行了验证。我们的分割与经变形的MRI定义的前列腺手动轮廓之间的Dice相似系数、豪斯多夫距离和平均表面距离指标分别为0.92 ± 0.09、4.38 ± 4.66和0.62 ± 0.89毫米,使用留一实验得出,分别为0.91 ± 0.07、4.57 ± 3.03和0.62 ± 0.65毫米,使用保留测试得出。

Conclusions

结论

We have proposed a novel CT-only prostate segmentation strategy using CT-based sMRI, and validated its accuracy against the prostate contours that were manually drawn on MRI images and deformed to CT images. This technique could provide accurate prostate volume for treat ment planning without requiring MRI acquisition, greatly facilitating the routine clinical workflow. © 2019 American Association of Physicists in Medicine [https://doi.org/10.1002/mp.13933]

Key words: computed tomography, CT-based synthetic MRI, deep attention network, prostate segmentation

我们提出了一种新颖的仅使用CT的前列腺分割策略,该策略使用基于CT的sMRI,并针对在MRI图像上手动绘制并变形到CT图像的前列腺轮廓验证了其准确性。这种技术可以在不需要MRI采集的情况下提供准确的前列腺体积,用于治疗计划,极大地促进了常规临床工作流程。

Figure

图片

FIG. 1. The schematic flow diagram of the proposed method. The first row shows the synthetic magnetic resonance imaging generation using CycleGAN, and the training procedure of segmentation model. The second row shows the segmentation stage for a new patient’s computed tomography image.

图1. 所提出方法的示意流程图。第一行展示了使用CycleGAN生成合成磁共振成像的过程和分割模型的训练程序。第二行展示了对新患者的计算机断层扫描图像进行分割的阶段。

图片

FIG. 2. The architectures of proposed networks.

图2. 所提出网络的架构。

图片

FIG. 3. Visual results of generated synthetic magnetic resonance imaging (sMRI). (a1) and (b1) show the original computed tomography (CT) image at two axial levels, (a2) and (b2) show the generated sMRI, (a3) and (b3) show the deformed manual contour, (a4) and (b4) show the plot profiles of CT, sMRI, and manual contour of the yellow dashed line in (a1) and (b1), respectively.

图3. 生成的合成磁共振成像(sMRI)的视觉结果。(a1) 和 (b1) 展示了两个轴向层面的原始计算机断层扫描(CT)图像,(a2) 和 (b2) 展示了生成的sMRI,(a3) 和 (b3) 展示了变形的手动轮廓,(a4) 和 (b4) 分别展示了 (a1) 和 (b1) 中黄色虚线的CT、sMRI和手动轮廓的剖面图。

图片

FIG. 4. An illustrative example of the benefit of our deep attention fully convolution network (DAFCN) compared with DSFCN without attention gate, (a1) shows the original CT image in transverse plane. (a2) shows corresponding manual contour, (a3) shows the generated synthetic magnetic resonance imaging (sMRI), (a4) shows the sample patches’ central positions drawn from sMRI, where the samples belonging to the prostate are highlighted by green circles, and the samples belonging to the non-prostate are highlighted by red asterisks. (b1–b4) show the scatter plots of the first three principal components of corresponding patch samples in feature maps at each decompression path outputs by using a DSFCN, respectively. (c1–c4) show the scatter plots of first three principal compo nents of corresponding patch samples in the feature maps at each decompression path outputs by using our DAFCN, respectively. The position of the viewer in

(b1–b4) and (c1–c4) is azimuth = 10° and elevation = 30°.

图4. 我们的深度注意力全卷积网络(DAFCN)与未使用注意力门的DSFCN相比的优势示例,(a1) 展示了横断面上的原始CT图像。(a2) 展示了相应的手动轮廓,(a3) 展示了生成的合成磁共振成像(sMRI),(a4) 展示了从sMRI中提取的样本补丁的中心位置,其中属于前列腺的样本用绿色圆圈突出显示,非前列腺的样本用红色星号突出显示。(b1-b4) 分别展示了使用DSFCN在每个解压路径输出的特征图中相应补丁样本的前三个主成分的散点图。(c1-c4) 分别展示了使用我们的DAFCN在每个解压路径输出的特征图中相应补丁样本的前三个主成分的散点图。在(b1-b4)和(c1-c4)中,观察者的位置为方位角=10°和仰角=30°。

图片

FIG. 5. Comparison of the proposed method with state-of-the-art U-Net model. (a1) and (c1) show the computed tomography (CT) image. (a2) and (c2) show the magnetic resonance imaging (MRI). (a3) and (c3) show the synthetic MRI (sMRI). (a4) and (c4) show the zoomed-in region of CT of yellow rectangle shown in (a1) and (c1). (a5) and (c5) show the zoomed-in region of sMRI of that yellow rectangle. (b1–b5) and (d1-d5) show the zoomed-in binary mask of manual con tour, segmented contour obtained by CT U-Net, sMRI U-Net, CT deep attention fully convolution network (DAFCN), and sMRI DAFCN, respectively.

图5. 将所提出的方法与最新的U-Net模型进行比较。(a1)和(c1)展示了计算机断层扫描(CT)图像。(a2)和(c2)展示了磁共振成像(MRI)。(a3)和(c3)展示了合成MRI(sMRI)。(a4)和(c4)展示了(a1)和(c1)中黄色矩形框内的CT的放大区域。(a5)和(c5)展示了那个黄色矩形框内的sMRI的放大区域。(b1–b5)和(d1-d5)分别展示了手动轮廓的放大二值掩膜、CT U-Net获得的分割轮廓、sMRI U-Net、CT深度注意力全卷积网络(DAFCN)和sMRI DAFCN的分割轮廓。

Table

图片

TABLE I. Numerical comparison by using a deep attention fully convolution network on computed tomography (CT) and synthetic magnetic resonance imaging(sMRI) data.

表I. 使用深度注意力全卷积网络在计算机断层扫描(CT)和合成磁共振成像(sMRI)数据上的数值比较。

图片

TABLE II. Numerical comparison by using deep attention fully convolution network (DAFCN) and DSFCN on synthetic magnetic resonance imaging (sMRI)data.

表 II. 使用深度注意力全卷积网络(DAFCN)和DSFCN在合成磁共振成像(sMRI)数据上的数值比较。

图片

TABLE III. Quantitative metrics comparison of our proposed algorithm versus U-Net on both computed tomography (CT) and synthetic mag netic resonance imag ing (sMRI) by leave-one-out experiments.

表III. 在计算机断层扫描(CT)和合成磁共振成像(sMRI)上,通过留一实验对我们提出的算法与U-Net进行的定量指标比较。

图片

TABLE IV. Quantitative metrics of our proposed algorithm on hold-out test.

表IV. 在保留测试集上我们提出的算法的定量指标。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/344820.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

TA百人计划学习笔记 3.2混合模式及剔除

资料 源视频 【技术美术百人计划】图形 3.2 混合模式及剔除_哔哩哔哩_bilibili ppt https://github.com/sunkai174634/PhotoShopBlendModeUnityShader 实例 notargs.com混合模式 unity 官方文档 ShaderLab:混合 - Unity 手册 是什么 从渲染流程解释 从效果上解释 Bl…

常见的二十种软件测试方法详解

一.单元测试(模块测试) 单元测试是对软件组成单元进行测试。其目的是检验软件组成单位的正确性。测试对象是:模块。 对模块进行测试,单独的一个模块测试,属于静态测试的一类 测试阶段:编码后或者编码前&…

支付宝推出新年“五福节”活动,新增四大AI玩法;大型语言模型综合指南

🦉 AI新闻 🚀 支付宝推出新年“五福节”活动,新增四大AI玩法 摘要:支付宝宣布今年的“集五福”活动升级为“五福节”,新增了四大AI玩法:飙戏小剧场、时空照相馆、会说话红包和大家来找福。用户可以通过拼…

“接口”公共规范的遵守者

👨‍💻作者简介:👨🏻‍🎓告别,今天 📔高质量专栏 :☕java趣味之旅 欢迎🙏点赞🗣️评论📥收藏💓关注 💖衷心的希…

Kubernetes多租户实践

由于namespace本身的限制,Kubernetes对多租户的支持面临很多困难,本文梳理了K8S多租户支持的难点以及可能的解决方案。原文: Multi-tenancy in Kubernetes 是否应该让多个团队使用同一个Kubernetes集群? 是否能让不受信任的用户安全的运行不受信任的工作…

VUE3好看的我的家乡网站模板源码

文章目录 1.设计来源1.1 首页界面1.2 旅游导航界面1.3 上海景点界面1.4 上海美食界面1.5 上海故事界面1.6 联系我们界面1.7 在线留言界面 2.效果和结构2.1 动态效果2.2 代码结构 源码下载 作者:xcLeigh 文章地址:https://blog.csdn.net/weixin_43151418/…

在无公网IP环境下实现VS Code远程开发的方法

哈喽大家好,我是咕噜美乐蒂,很高兴又见面啦! 随着云计算和远程协作的普及,越来越多的开发者选择使用VS Code进行远程开发。然而,有时我们会发现自己处于一个没有公网IP的网络环境,这可能会导致无法直接访问…

EasyCVR视频融合平台铁路抑尘喷洒监控系统视频搭建方案

一、建设背景与需求分析 随着我国铁路建设的迅猛发展,铁路抑尘喷洒设备质量监控系统在技术和管理方面都取得了显著的进步,面临安全压力也随之加大。为了确保铁路运输的安全和稳定,车站监控室、喷洒区域、操作间以及安全防护区域等关键区域都…

Docker Image(镜像)

Docker镜像是什么 Docker image 本质上是一个 read-only 只读文件,这个文件包含了文件系统、源码、库文件、依赖、工具等一些运行 application 所必须的文件。我们可以把 Docker image 理解成一个模板, 可以通过这个模板实例化出来很多容器。image 里面…

eNSP学习——VLAN基础配置及Access接口

目录 原理概述 实验内容: 实验目的: 实验步骤: 实验拓扑 配置过程 实验编址 基本配置 创建vlan 配置Access接口 原理概述 早期的局域网技术是基于总线型结构的。总线型拓扑结构是由一根单电缆连接所有主机,就导致所…

【设计并实现一个满足 LRU (最近最少使用) 缓存约束的数据结构】

文章目录 一、什么是LRU?二、LinkedHashMap 实现LRU缓存三、手写LRU 一、什么是LRU? LRU是Least Recently Used的缩写,意为最近最少使用。它是一种缓存淘汰策略,用于在缓存满时确定要被替换的数据块。LRU算法认为,最近…

EasyX的安装与使用(VisualStudio C++免费绘图库)

EasyX Graphics Library 是针对 Visual C 的免费绘图库 安装教程 安装到Visual C 2010 EasyX 安装完毕。 在VC2010中建立控制台工程 工程建好后,鼠标右键点击工程名,并选择属性 安装到Visual C 2010 EasyX 安装完毕。 安装示例程序 easyxdemo.cpp 在VC…

什么是工控软件?一款很火的Web工业控制组态软件

随着工业4.0和智能制造的发展,工控软件的应用越来越广泛,它们在提高生产效率、降低能耗和减少人力成本等方面发挥着越来越重要的作用。 什么是工控软件? 工控软件是指用于工业控制系统的软件,主要应用于各种生产过程控制、自动化…

【服务器】安装宝塔面板

目录 🌺【前言】 🌼【前提】连接服务器 🌷方式一 使用工具登录服务器如Xshell 🌷方式二 阿里云直接连接 🌼 1. 安装宝塔 🌷获取安装脚本 方式一 使用下面提供的脚本安装 方式二 使用官网提供的脚本…

网络安全---防御保护--子接口小实验

子接口小实验: 环境准备: 防火墙区域配置为trust: PC设置其ip为同一个网段: 此时尝试ping无法ping通的原因是没有打开防火墙允许ping,我们在图形化界面允许ping即可 最终结果: .com域名服务器: …

HCIP-12

一、网关作为了一个广播域的中心出口;生成树的根网桥也是一棵树的中心,也是流量的集合点; 若将两者分配不同的设备将导致网络通讯资源浪费,故强烈建议两者在同一台设备上; 若使用基于vlan或基于分组的STP协议来工作三…

如何使用阿里云CDN服务?

如何使用阿里云CDN服务 一、开通阿里云CDN服务 注册自己阿里云账号,找到CDN服务,进行加速即可 二、配置域名信息 1、各配置参数的含义 添加加速域名: 如果需要使用CDN加速指定网站上的业务,则需要将该网站作为源站&#xff0…

swagger+knife4j整合

swagger pom配置 <!-- swagger 接口文档 --><dependency><groupId>io.springfox</groupId><artifactId>springfox-swagger2</artifactId><version>2.9.2</version></dependency><dependency><groupId>io.s…

Linux第35步_在“移植uboot”前安装libncurses5-dev

在“移植uboot”前&#xff0c;需要在Ubuntu中安装“libncurses5-dev”&#xff0c;否则在“编译uboot”时&#xff0c;会报错。目的是保证顺利移植“uboot”。 1、打开终端 2、输入“sudo apt-get install libncurses5-dev bison flex回车”&#xff1b; 3、输入密码“1234…

李宏毅《机器学习 深度学习》简要笔记(一)

一、线性回归中的模型选择 上图所示&#xff1a; 五个模型&#xff0c;一个比一个复杂&#xff0c;其中所包含的function就越多&#xff0c;这样就有更大几率找到一个合适的参数集来更好的拟合训练集。所以&#xff0c;随着模型的复杂度提高&#xff0c;train error呈下降趋势…