Automatic segmentation of kidneys in computed tomography images using U-Net - 03/02/23
Segmentation automatique des reins dans des images de tomodensitométrie en utilisant U-Net
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder
Abstract |
Purpose |
Accurate segmentation of target volumes and organs at risk from computed tomography (CT) images is essential for treatment planning in radiation therapy. The segmentation task is often done manually making it time-consuming. Besides, it is biased to the clinician experience and subject to inter-observer variability. Therefore, and due to the development of artificial intelligence tools and particularly deep learning (DL) algorithms, automatic segmentation has been proposed as an alternative. The purpose of this work is to use a DL-based method to segment the kidneys on CT images for radiotherapy treatment planning.
Materials and methods |
In this contribution, we used the CT scans of 20 patients. Segmentation of the kidneys was performed using the U-Net model. The Dice similarity coefficient (DSC), the Matthews correlation coefficient (MCC), the Hausdorff distance (HD), the sensitivity and the specificity were used to quantitatively evaluate this delineation.
Results |
This model was able to segment the organs with a good accuracy. The obtained values of the used metrics for the kidneys segmentation, were presented. Our results were also compared to those obtained recently by other authors.
Conclusion |
Fully automated DL-based segmentation of CT images has the potential to improve both the speed and the accuracy of radiotherapy organs contouring.
Le texte complet de cet article est disponible en PDF.Résumé |
Objectifs de l’étude |
La segmentation des volumes cibles et des organes à risque à partir des images de tomodensitométrie (CT: Computed Tomography) est essentielle pour les plans de traitement en radiothérapie. La segmentation est souvent effectuée manuellement, ce qui prend beaucoup de temps. De plus, elle est biaisée par l’expérience du clinicien et sujette à la variabilité inter-observateur. Ainsi, et du fait du développement des outils de l’intelligence artificielle et notamment des algorithmes d’apprentissage profond (DL: Deep Learning), la segmentation automatique a été proposée comme une alternative. L'objectif de ce travail est d’utiliser une méthode basée sur l’apprentissage profond pour segmenter les reins sur des images scanographiques pour les plans de traitement de radiothérapie.
Matériel et méthodes |
Dans cette contribution, nous avons utilisé les scanographies de 20 patients. La segmentation des reins a été réalisée à l’aide du modèle U-Net. Le coefficient de similarité (DSC), le coefficient de corrélation de Matthews (MCC), la distance de Hausdorff, la sensibilité et la spécificité ont été utilisés pour évaluer quantitativement cette délinéation.
Résultats |
Ce modèle était capable de segmenter les organes avec une bonne précision. Les valeurs obtenues des métriques utilisées pour la segmentation des reins, ont été présentées. Nos résultats ont également été comparés à ceux obtenus récemment par d’autres auteurs.
Conclusion |
La segmentation entièrement automatisée basée sur l’apprentissage profond des images scanographiques a le potentiel d’améliorer à la fois la vitesse et la précision de la segmentation des organes pour la radiothérapie.
Le texte complet de cet article est disponible en PDF.Keywords : Automatic segmentation, CT images, U-Net, Kidneys
Mots clés : Segmentation automatique, Images CT, U-Net, Reins
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 ?