深度学习模型融合可以提高肺瘤细分的准确性,跨变量训练测试数据集比率

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射治疗规划 放射治疗规划

背景情况:

• 精确细分总瘤体积 (GTVs) 对于肺癌放射治疗至关重要.
• 深度学习 (DL) 模型看起来很有前途,但在有限的培训数据下可能会扎.
• 在较低的训练测试比率 (TTR) 中研究模型稳定性对于临床翻译至关重要.

研究的目的:

• 评估DL融合模型在肺癌SBRT中用于GTV细分的稳定性.
• 评估各种低训练测试比率 (TTR) 的表现.
• 将核聚变模型与个别DL模型进行比较.

主要方法:

• 开发和评估了12个DL模型,包括3个单独模型 (3D U-Net,V-Net,密集V-Net) 和9个融合模型 (AND,OR,投票).
• 利用192名肺癌患者的CT扫描进行培训,验证和测试,TTR范围从1.00到0.116.
• 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 评估细分精度.

主要成果:

• 投票融合模型在所有TTR中始终获得最高的DSC (0.8290.798).
• 与单个DL模型相比,投票融合模型表现出卓越的性能,特别是在低TTR时.
• 投票融合模型显示了有利的豪斯多夫距离 (HD) 值,表明了精确的边界划分.

结论:

• 拟议的投票融合模型是细分肺癌GTVs在规划CT图像中的一个强大而有效的方法.
• 这种方法即使在训练数据有限 (低TTR) 的情况下也保持了高准确度,这对SBRT至关重要.
• 这些发现支持DL融合策略在放射治疗工作流程中的临床实用性.