不確実性に基づくセグメンテーションエラーと分布外検出によるオンライン適応放射線療法.,

科学分野:

• 医用物理学
• 放射線療法
• 医療における人工知能

背景:

• 解剖学的セグメンテーションは、オンライン適応放射線療法において大きな不確実性を導入します。
• 深層学習（DL）モデルは、放射線療法ワークフローにおけるセグメンテーションにますます使用されています。
• 正確なセグメンテーションは、精密な放射線照射と患者の安全のために不可欠です。

研究 の 目的:

• 深層学習セグメンテーションから推定された不確実性とセグメンテーション精度の関係を調査すること。
• 不確実性推定が分布外（OOD）データを検出する能力を評価すること。
• 適応放射線療法における品質管理のための不確実性推定の有用性を評価すること。

主な方法:

• モンテカルロ・ドロップアウトをDLモデルに適用し、MRガイド放射線療法からの前立腺がん画像（臨床標的体積、膀胱、直腸）をセグメンテーションしました。
• 予測エントロピー（PE）を使用してモデルとデータの不確実性を定量化し、セグメンテーションを「確実」または「不確実」に分類する閾値を設定しました。
• 相互情報（MI）を使用して、健康なボランティアのMRIスキャンを用いて、分布内（ID）データと分布外（OOD）データを区別しました。

主要な成果:

• DLセグメンテーションモデルは高いダイススコア（例：膀胱で94.8%）を達成しました。
• PE値が高いほどセグメンテーション境界や誤った予測と相関し、エラー検出を可能にしました。
• 相互情報は、IDデータとOODデータを100%分離し、予期しない入力に対する堅牢性を示しました。

結論:

• MRガイド前立腺がん放射線療法におけるDLセグメンテーションの不確実性推定は、セグメンテーション精度（ダイススコア）と相関します。
• このアプローチは、適応放射線療法ワークフロー内でのセグメンテーションのリアルタイム品質評価に有望です。
• 予備的調査結果は、不確実性推定が期待される（ID）データと予期しない（OOD）データを効果的に区別できることを示唆しています。