نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: 14565-1114، تهران - ایران
2 مدیر گروه مهندسی هسته ای- دانشکده مهندسی انرژی- دانشگاه صنعتی شریف
3 بخش پزشکی هسته ای و تصویربرداری مولکولی، گروه تصویربرداری پزشکی، بیمارستان ژنو، سوئیس
چکیده
طراحی پرتودرمانی نیازمند شناسایی و قطعه بندی دقیق اندام های در معرض خطر (OAR) است، که به طور معمول عملیاتی دستی و زمانبر می باشد. هدف از این پژوهش، بررسی امکان استفاده از الگوریتم های یادگیری عمیق به عنوان ابزاری خودکار برای قطعه‌بندی تصاویر سی تی اسکن است. از این رو عملکرد چند شبکه عصبی کانولوشنال (CNN) شامل U-Net، Residual U-Net و SegResNet به عنوان ابزارهای قطعه بندی خودکار اندامهای در معرض خطر در تصاویر سی تی اسکن لگنی (مثانه، پروستات، رکتوم، استخوان فمورال چپ و استخوان فمورال راست) با قطعه بندی دستی توسط متخصص مقایسه شد. این مطالعه، شامل 238 بیمار برای قطعه بندی پروستات و 218 بیمار برای چهار اعضای دیگر بود. عملکرد مدل ها با استفاده از معیارهایی نظیر ضریب شباهت دایس، شاخص ژاکارد و معیار فاصله هاسدورف ارزیابی شد. مدل SegResNet با ارائه بهترین عملکرد، توانست به ضریب دایس 956/0، 832/0، 864/0، 980/0 و 985/0 به ترتیب برای مثانه، پروستات، رکتوم، فمورال چپ و فمورال راست دست یابد. به طور خلاصه، نتایج حاصله نشان میدهد که شبکه های عصبی کانولوشنال در عین حال که می توانند قطعه‌بندی اعضای در معرض خطر در طراحی پرتودرمانی را با دقت بالایی انجام دهند(استخوان ها و مثانه بالاتر از 95 درصد و رکتوم و پروستات بالای 83 درصد)، فرآیند قطعه بندی را نیز تسریع می‌بخشند.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
An Investigation of Deep Learning Techniques for Automatic Pelvic CT Scan Segmentation
نویسندگان [English]
- Elnaz Ghaedi 1
- Ali Asadi 1
- Seyed Abolfazl Hosseini 2
- Hossein Arabi 3
1 Department of Energy Engineering, Sharif University of Technology, P.O.BOX: 1114-14565, Tehran - Iran
2 Department of Energy Engineering, Sharif University of Technology, P.O.BOX: 1114-14565, Tehran - Iran
3 Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, CH-1211 Geneva 4, Switzerland
چکیده [English]
Radiotherapy treatment planning requires accurate delineation of organs at risk (OAR), which is typically a manual and time-consuming process. This research aims to explore the feasibility of using deep learning algorithms as an automatic tool for segmenting CT scan images. Accordingly, the performance of several convolutional neural networks (CNNs), including U-Net, Residual U-Net, and SegResNet, was compared as tools for automatic segmentation of OARs in pelvic CT scans (bladder, prostate, rectum, left femoral head, and right femoral head) against manual segmentation by specialists. This study involved 238 patients for prostate segmentation and 218 patients for the other four organs. The models' performance was assessed using metrics such as the Dice similarity coefficient, Jaccard index, and Hausdorff distance. The SegResNet model, providing the best performance, achieved Dice coefficients of 0.956, 0.832, 0.864, 0.980, and 0.985 for the bladder, prostate, rectum, left femoral head, and right femoral head, respectively. In summary, the results indicate that convolutional neural networks can accurately segment organs at risk in radiotherapy planning (with accuracies above 95% for bones and bladder, and over 83% for the rectum and prostate), while also speeding up the segmentation process.
کلیدواژه‌ها [English]
- segmentation
- : organs at risk
- : convolutional neural networks :
- CT scan : prostate
)