Automatic segmentation of thoracic CT images using three deep learning models - 06/07/22
Segmentation automatique d’images CT thoraciques à l’aide de trois modèles basés sur l’apprentissage profond
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder
Abstract |
Purpose |
Deep learning (DL) techniques are widely used in medical imaging and in particular for segmentation. Indeed, manual segmentation of organs at risk (OARs) is time-consuming and suffers from inter- and intra-observer segmentation variability. Image segmentation using DL has given very promising results. In this work, we present and compare the results of segmentation of OARs and a clinical target volume (CTV) in thoracic CT images using three DL models.
Materials and methods |
We used CT images of 52 patients with breast cancer from a public dataset. Automatic segmentation of the lungs, the heart and a CTV was performed using three models based on the U-Net architecture. Three metrics were used to quantify and compare the segmentation results obtained with these models: the Dice similarity coefficient (DSC), the Jaccard coefficient (J) and the Hausdorff distance (HD).
Results |
The obtained values of DSC, J and HD were presented for each segmented organ and for the three models. Examples of automatic segmentation were presented and compared to the corresponding ground truth delineations. Our values were also compared to recent results obtained by other authors.
Conclusion |
The performance of three DL models was evaluated for the delineation of the lungs, the heart and a CTV. This study showed clearly that these 2D models based on the U-Net architecture can be used to delineate organs in CT images with a good performance compared to other models. Generally, the three models present similar performances. Using a dataset with more CT images, the three models should give better results.
Le texte complet de cet article est disponible en PDF.Résumé |
Objectif de l’étude |
Les techniques d’apprentissage profond (DL: Deep Learning) sont largement utilisées en imagerie médicale et en particulier pour la segmentation. En effet, la segmentation manuelle des organes à risque est chronophage et souffre d’une variabilité de segmentation entre les observateurs et pour un même observateur. La segmentation d’images par apprentissage profond a donné des résultats très prometteurs. Dans ce travail, nous présentons et comparons les résultats de la segmentation des organes à risque et d’un volume cible clinique (CTV: clinical target volume) d’images scanographiques thoraciques en utilisant trois modèles d’apprentissage profond.
Matériel et méthodes |
Nous avons utilisé des images scanographiques de 52 patientes atteintes d’un cancer du sein à partir d’un ensemble de données publiques. La segmentation automatique des poumons, du cœur et d’un CTV a été réalisée à l’aide de trois modèles basés sur l’architecture U-Net. Trois métriques ont été utilisées pour quantifier et comparer les résultats de la segmentation obtenus avec ces modèles: le coefficient de similarité (DSC: Dice similarity coefficient), le coefficient de Jaccard (J) et la distance de Hausdorff (HD).
Résultats |
Les valeurs obtenues de DSC, J et HD ont été présentées pour chaque organe segmenté et pour les trois modèles. Des exemples de segmentation automatique ont été présentés et comparés aux vraies segmentations correspondantes. Nos valeurs ont également été comparées à des résultats récents obtenus par d’autres auteurs.
Conclusion |
La performance de trois modèles d’apprentissage profond a été évaluée pour la délimitation des poumons, du cœur et du CTV. Cette étude a clairement montré que ces modèles 2D, basés sur l’architecture U-Net, peuvent être utilisés pour segmenter des organes dans des images scanographiques avec de bonnes performances en comparaison à d’autres modèles. Généralement, les trois modèles présentent des performances similaires. En utilisant un ensemble de données avec plus d’images scanographiques, les trois modèles devraient donner de meilleurs résultats.
Le texte complet de cet article est disponible en PDF.Keywords : Automatic segmentation, Deep learning, Organs-at-risk, Clinical target volume
Mots clés : Segmentation automatique, Apprentissage profond, Organes à risque, Volume cible clinique
Plan
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?