Anatomic context-aware segmentation of organs-at-risk in thorax computed tomography scans

Organ segmentasyonu, hastalık teşhisinde ve radyasyon tedavisi planlamasında çok önemli bir rol oynar. Manuel segmentasyon zaman alıcı ve maliyetli olmasının yanı sıra gözlemciler arası değişkenliğe de yatkın olduğundan, risk altındaki organların (RAO'ların) verimli ve otomatik segmentasyonu daha önemli bir hale gelir. Risk altındaki organların derin öğrenme kullanılarak otomatik segmentasyonu, özellikle merkez kesitlerin şeklinin apikal ve bazal kesitlerden farklı olduğu organlarda, hata yaparak dış bölgeleri tahmin etmeye eğilimlidir. Bu tez, şekil ve anatomik içerik hakkındaki ön bilgileri derin öğrenmeye dayalı organ segmentasyonuna dahil etmek için yeni bir yöntem sunar. Bu ön bilgiyi nicelemek için, organın şekli, konumu ve organ pozisyonunun çevredeki organlara göre ilişki karakteristiklerini yakalayan mesafe dönüşümlerini kullanır. Bu tezde, mesafe dönüşümü regresyonunun tek başına veya sınıflandırma ile birlikte kullanılmasının organ segmentasyonu ağının genel performansını iyileştirdiğini göstermek için çeşitli mesafe dönüşümlerinin rolü araştırılmıştır. Mesafe dönüşümü olarak, her piksel ile organın merkezi arasındaki mesafe veya örneğin yemek borusu ve omurga gibi iki organ arasındaki en yakın mesafe kullanılmıştır. Bu tez, tek görev regresyon modelinde kullanıldığında, bu mesafe dönüşümlerinin segmentasyon sonuçlarını iyileştirdiğini göstermiştir. Ayrıca, sınıflandırmanın diğer görev olduğu çok görevli bir ağda kullanıldığında, sınıflandırma görevi için düzenleyici olarak çalışıp segmentasyonu iyileştirdiği gözlemlenmiştir. Deneyler, 265 hastanın bilgisayarlı tomografi (BT) toraks veri seti üzerinde gerçekleştirilmiştir. Kalp, yemek borusu, akciğerler ve omurga ilgi bölgeleri olarak seçilmiştir. Sonuçlar, önerilen model kullanılarak ROA'lar için segmentasyon yapıldığında, temel ağ mimarilerine kıyasla, f-skorlarında önemli bir artış ve Hausdorff mesafelerinde azalma olduğunu göstermiştir.