Published August 3, 2021 | Version v1
Publication Open

Automatic segmentation of rectal tumor on diffusion‐weighted images by deep learning with U‐Net

Creators

  • 1. Peking University
  • 2. Peking University Cancer Hospital

Description

Abstract Purpose Manual delineation of a rectal tumor on a volumetric image is time‐consuming and subjective. Deep learning has been used to segment rectal tumors automatically on T2‐weighted images, but automatic segmentation on diffusion‐weighted imaging is challenged by noise, artifact, and low resolution. In this study, a volumetric U‐shaped neural network (U‐Net) is proposed to automatically segment rectal tumors on diffusion‐weighted images. Methods Three hundred patients of locally advanced rectal cancer were enrolled in this study and divided into a training group, a validation group, and a test group. The region of rectal tumor was delineated on the diffusion‐weighted images by experienced radiologists as the ground truth. A U‐Net was designed with a volumetric input of the diffusion‐weighted images and an output of segmentation with the same size. A semi‐automatic segmentation method was used for comparison by manually choosing a threshold of gray level and automatically selecting the largest connected region. Dice similarity coefficient (DSC) was calculated to evaluate the methods. Results On the test group, deep learning method (DSC = 0.675 ± 0.144, median DSC is 0.702, maximum DSC is 0.893, and minimum DSC is 0.297) showed higher segmentation accuracy than the semi‐automatic method (DSC = 0.614 ± 0.225, median DSC is 0.685, maximum DSC is 0.869, and minimum DSC is 0.047). Paired t ‐test shows significant difference ( T = 2.160, p = 0.035) in DSC between the deep learning method and the semi‐automatic method in the test group. Conclusion Volumetric U‐Net can automatically segment rectal tumor region on DWI images of locally advanced rectal cancer.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الغرض التجريدي إن التحديد اليدوي لورم المستقيم على صورة حجمية يستغرق وقتًا طويلاً وغير موضوعي. تم استخدام التعلم العميق لتقسيم أورام المستقيم تلقائيًا على الصور المرجحة T2، ولكن التقسيم التلقائي على التصوير الموزون بالانتشار يواجه تحديًا بسبب الضوضاء والقطع الأثرية والدقة المنخفضة. في هذه الدراسة، تم اقتراح شبكة عصبية حجمية على شكل حرف U (U-Net) لتقسيم أورام المستقيم تلقائيًا على الصور الموزونة بالانتشار. تم تسجيل ثلاثمائة مريض بسرطان المستقيم المتقدم محليًا في هذه الدراسة وتم تقسيمهم إلى مجموعة تدريب ومجموعة تحقق ومجموعة اختبار. تم تحديد منطقة ورم المستقيم على الصور الموزونة بالانتشار من قبل أطباء الأشعة ذوي الخبرة كحقيقة أساسية. تم تصميم U-Net بإدخال حجمي للصور الموزونة بالانتشار وإخراج تجزئة بنفس الحجم. تم استخدام طريقة تجزئة شبهتلقائية للمقارنة عن طريق اختيار عتبة المستوى الرمادي يدويًا وتحديد أكبر منطقة متصلة تلقائيًا. تم حساب معامل تشابه النرد (DESE) لتقييم الطرق. النتائج في مجموعة الاختبار، أظهرت طريقة التعلم العميق (DSC = 0.675 ± 0.144، متوسط DSC هو 0.702، الحد الأقصى لـ DSC هو 0.893، والحد الأدنى لـ DSC هو 0.297) دقة تجزئة أعلى من الطريقة شبهالآلية (DSC = 0.614 ± 0.225، متوسط DSC هو 0.685، الحد الأقصى لـ DSC هو 0.869، والحد الأدنى لـ DSC هو 0.047). يُظهر الاختبار المقترن فرقًا كبيرًا ( T = 2.160، P = 0.035) في DSC بين طريقة التعلم العميق والطريقة شبهالآلية في مجموعة الاختبار. الخلاصة يمكن لـ U-Net الحجمي تقسيم منطقة ورم المستقيم تلقائيًا على صور DWI لسرطان المستقيم المتقدم محليًا.

Translated Description (French)

But abstrait La délimitation manuelle d'une tumeur rectale sur une image volumétrique prend du temps et est subjective. L'apprentissage en profondeur a été utilisé pour segmenter automatiquement les tumeurs rectales sur des images pondérées en T2, mais la segmentation automatique sur l'imagerie pondérée en diffusion est remise en question par le bruit, les artefacts et la faible résolution. Dans cette étude, un réseau neuronal volumétrique en forme de U (U‐Net) est proposé pour segmenter automatiquement les tumeurs rectales sur des images pondérées par diffusion. Méthodes Trois cents patients atteints d'un cancer du rectum localement avancé ont été recrutés dans cette étude et divisés en un groupe de formation, un groupe de validation et un groupe de test. La région de la tumeur rectale a été délimitée sur les images pondérées par diffusion par des radiologues expérimentés comme la vérité de base. Un U‐Net a été conçu avec une entrée volumétrique des images pondérées par diffusion et une sortie de segmentation de même taille. Une méthode de segmentation semi-automatique a été utilisée pour la comparaison en choisissant manuellement un seuil de niveau de gris et en sélectionnant automatiquement la plus grande région connectée. Le coefficient de similarité des dés (DSC) a été calculé pour évaluer les méthodes. Résultats Sur le groupe test, la méthode d'apprentissage en profondeur (DSC = 0,675 ± 0,144, DSC médiane est de 0,702, DSC maximale est de 0,893 et DSC minimale est de 0,297) a montré une précision de segmentation plus élevée que la méthode semi-automatique (DSC = 0,614 ± 0,225, DSC médiane est de 0,685, DSC maximale est de 0,869 et DSC minimale est de 0,047). Le test t apparié montre une différence significative ( T = 2,160, p = 0,035) dans DSC entre la méthode d'apprentissage profond et la méthode semi-automatique dans le groupe de test. Conclusion L'U-NET volumétrique peut automatiquement segmenter la région tumorale rectale sur les images DWI du cancer rectal localement avancé.

Translated Description (Spanish)

Resumen Propósito La delineación manual de un tumor rectal en una imagen volumétrica requiere mucho tiempo y es subjetiva. El aprendizaje profundo se ha utilizado para segmentar tumores rectales automáticamente en imágenes ponderadas en T2, pero la segmentación automática en imágenes ponderadas por difusión se ve desafiada por el ruido, los artefactos y la baja resolución. En este estudio, se propone una red neuronal volumétrica en forma de U (U‐Net) para segmentar automáticamente los tumores rectales en imágenes ponderadaspor difusión. Métodos Trescientos pacientes de cáncer rectal localmente avanzado se inscribieron en este estudio y se dividieron en un grupo de entrenamiento, un grupo de validación y un grupo de prueba. La región del tumor rectal fue delineada en las imágenes ponderadas por difusión por radiólogos experimentados como la verdad fundamental. Se diseñó una U‐Net con una entrada volumétrica de las imágenes ponderadaspor difusión y una salida de segmentación con el mismo tamaño. Se utilizó un método de segmentación semiautomática para la comparación eligiendo manualmente un umbral de nivel de gris y seleccionando automáticamente la región conectada más grande. Se calculó el coeficiente de similitud de dados (DSC) para evaluar los métodos. Resultados En el grupo de prueba, el método de aprendizaje profundo (DSC = 0,675 ± 0,144, la mediana de DSC es 0,702, la DSC máxima es 0,893 y la DSC mínima es 0,297) mostró una mayor precisión de segmentación que el método semiautomático (DSC = 0,614 ± 0,225, la mediana de DSC es 0,685, la DSC máxima es 0,869 y la DSC mínima es 0,047). La prueba t pareada muestra una diferencia significativa ( T = 2.160, p = 0.035) en DSC entre el método de aprendizaje profundo y el método semiautomático en el grupo de prueba. Conclusión La U‐Net volumétrica puede segmentar automáticamente la región del tumor rectal en imágenes DWI de cáncer rectal localmente avanzado.

Files

acm2.13381.pdf

Files (16.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:04b7f80d699ea154520dbe6fc2c11bdf
16.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التجزئة التلقائية لورم المستقيم على الصور الموزونة بالانتشار عن طريق التعلم العميق باستخدام U-Net
Translated title (French)
Segmentation automatique de la tumeur rectale sur des images pondérées par diffusion par apprentissage en profondeur avec U‐Net
Translated title (Spanish)
Segmentación automática del tumor rectal en imágenes ponderadas por difusión mediante aprendizaje profundo con U‐Net

Identifiers

Other
https://openalex.org/W3187929617
DOI
10.1002/acm2.13381

Is supplement to
https://openalex.org/W4287373878 (Other)
https://openalex.org/W4285827401 (Other)
https://openalex.org/W4226289457 (Other)
https://openalex.org/W3209779739 (Other)
https://openalex.org/W3104734424 (Other)
https://openalex.org/W3099113392 (Other)
https://openalex.org/W2960184797 (Other)
https://openalex.org/W2954384599 (Other)
https://openalex.org/W2790662084 (Other)
https://openalex.org/W2738221750 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1901129140
  • https://openalex.org/W1964499272
  • https://openalex.org/W2017549915
  • https://openalex.org/W2127890285
  • https://openalex.org/W2155343350
  • https://openalex.org/W2213937052
  • https://openalex.org/W2350997045
  • https://openalex.org/W2726102591
  • https://openalex.org/W2757454662
  • https://openalex.org/W2760796828
  • https://openalex.org/W2793785683
  • https://openalex.org/W2797461271
  • https://openalex.org/W2799639209
  • https://openalex.org/W2845839038
  • https://openalex.org/W2883286298
  • https://openalex.org/W2887113336
  • https://openalex.org/W2906098347
  • https://openalex.org/W2914245728
  • https://openalex.org/W2921312722
  • https://openalex.org/W2939842338
  • https://openalex.org/W2946637133
  • https://openalex.org/W2972653183
  • https://openalex.org/W3009494750
  • https://openalex.org/W3016622556
  • https://openalex.org/W3046020750