view in publisher's site

CT images with expert manual contours of thoracic cancer for benchmarking auto‐segmentation accuracy

Abstract Purpose Automatic segmentation offers many benefits for radiotherapy treatment planning; however, the lack of publicly available benchmark datasets limits the clinical use of automatic segmentation. In this work, we present a well‐curated computed tomography (CT) dataset of high‐quality manually drawn contours from patients with thoracic cancer that can be used to evaluate the accuracy of thoracic normal tissue auto‐segmentation systems. Acquisition and validation methods Computed tomography scans of 60 patients undergoing treatment simulation for thoracic radiotherapy were acquired from three institutions: MD Anderson Cancer Center, Memorial Sloan Kettering Cancer Center, and the MAASTRO clinic. Each institution provided CT scans from 20 patients, including mean intensity projection four‐dimensional CT (4D CT), exhale phase (4D CT), or free‐breathing CT scans depending on their clinical practice. All CT scans covered the entire thoracic region with a 50‐cm field of view and slice spacing of 1, 2.5, or 3 mm. Manual contours of left/right lungs, esophagus, heart, and spinal cord were retrieved from the clinical treatment plans. These contours were checked for quality and edited if necessary to ensure adherence to RTOG 1106 contouring guidelines. Data format and usage notes The CT images and RTSTRUCT files are available in DICOM format. The regions of interest were named according to the nomenclature recommended by American Association of Physicists in Medicine Task Group 263 as Lung_L, Lung_R, Esophagus, Heart, and SpinalCord. This dataset is available on The Cancer Imaging Archive (funded by the National Cancer Institute) under Lung CT Segmentation Challenge 2017 (http://doi.org/10.7937/K9/TCIA.2017.3r3fvz08). Potential applications This dataset provides CT scans with well‐delineated manually drawn contours from patients with thoracic cancer that can be used to evaluate auto‐segmentation systems. Additional anatomies could be supplied in the future to enhance the existing library of contours.

تصاویر CT با کانتورهای دستی متخصص سرطان قفسه‌سینه برای تعیین دقت بخش‌بندی خودکار

چکیده هدف تقسیم‌بندی خودکار مزایای زیادی برای برنامه‌ریزی درمان پرتو درمانی دارد؛ با این حال، فقدان مجموعه داده‌های معیار عمومی موجود، استفاده بالینی از تقسیم‌بندی خودکار را محدود می‌کند. در این تحقیق، ما یک مجموعه داده سی‌تی‌اسکن (CT)با کیفیت بالا از کانتورهای دستی کشیده‌شده از بیماران مبتلا به سرطان قفسه‌سینه ارائه می‌کنیم که می‌تواند برای ارزیابی دقت سیستم‌های نرمال بخش خودکار بافت طبیعی قفسه‌سینه مورد استفاده قرار گیرد. روش‌های اکتساب و اعتبار سنجی اسکن کامپیوتری توموگرافی از ۶۰ بیماری که تحت شبیه‌سازی درمان برای پرتودرمانی قفسه‌سینه قرار داشتند، از سه موسسه به دست آمد: مرکز سرطان اندرسون MD، مرکز سرطان کیت یادبود اسلون، و کلینیک MAASTRO. هر موسسه اسکن‌های سی تی از ۲۰ بیمار، از جمله متوسط شدت تصویر سی‌تی‌اسکن چهار بعدی (۴ D CT)، فاز بیرون کشیدن (۴ D CT)، یا اسکن‌های سی تی تنفسی آزاد را بسته به روش بالینی آن‌ها ارائه می‌کرد. تمام اسکن‌های CT کل ناحیه قفسه‌سینه را با یک میدان دید ۵۰ سانتی‌متری و فواصل برش ۱، ۲.۵، یا ۳ میلیمتر پوشش می‌دادند. کانتورهای دستی ریه راست / چپ، مری، قلب و نخاع از طرح درمان بالینی استخراج شد. این کانتورهای برای کیفیت و ویرایش در صورت لزوم برای اطمینان از پایبندی به دستورالعمل‌های رنگ‌آمیزی RTOG ۱۱۰۶ بررسی شدند. قالب داده و یادداشت‌های کاربری تصاویر CT و فایل‌های RTTRUCT در قالب DICOM موجود هستند. مناطق مورد علاقه براساس نام گذاری انجمن آمریکایی فیزیکدانان در گروه ضربت پزشکی با عنوان لانگ آل، لونگ آر، اسفاگوس، قلب و اسپینال کرد نامگذاری شدند. این مجموعه داده در آرشیو تصویربرداری سرطان (که بودجه آن توسط موسسه ملی سرطان تامین می‌شود)تحت چالش قطعه‌بندی Lung CT ۲۰۱۷ (http://doreg/۱۰.۷۹۳۷/K۹/TCIA.۲۰۱۷.۳r۳fz۰۸۰۴. کاربردهای بالقوه این مجموعه داده‌ها اسکن‌های CT را با کانتورهای به خوبی مشخص‌شده دستی از بیماران مبتلا به سرطان سینه فراهم می‌کند که می‌توانند برای ارزیابی سیستم‌های بخش‌بندی خودکار مورد استفاده قرار گیرند. در آینده نیز می توان به منظور ارتقا کتابخانه خطوط فاصل موجود، پیکربندی‌های دیگری تهیه کرد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Medicine
  • ترجمه مقاله General Medicine
  • مقاله طب عمومی
  • ترجمه مقاله طب عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.