优化器的评估及其在肺部瘤自我细分中的性能
Prabhakar Ramachandran1, Tamma Eswarlal2, Margot Lehman1
1Department of Radiation Oncology, Cancer Services, Princess Alexandra Hospital, Woolloongabba, Queensland, Australia.
Journal of medical physics
|August 14, 2023
概括
亚当和NAdam优化器在非小细胞肺癌自分化方面表现最好. 然而,由于数据异质性,模型性能在临床数据集上显著下降,这凸显了需要仔细选择优化器的需要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 优化器对于深度学习模型至关重要,特别是在医学图像分析中.
- 准确的非小细胞肺癌 (NSCLC) 目标体积的自细分对于有效的放射治疗计划至关重要.
研究的目的:
- 在胸部CT图像上评估NSCLC自分化的六种不同优化器的准确性.
- 使用各种细分指标来比较优化器的性能.
主要方法:
- 利用112名患者 (92名来自TCIA,20名来自当地诊所) 进行培训和测试nnU-Net模型.
- 调查了六个优化器:AdaDelta,AdaGrad,Adam,NAdam,RMSprop和SGD. 这些优化器是最重要的.
- 使用子相似系数 (DSC),贾卡德指数,灵敏度,精度,豪斯多夫距离 (HD),HD95和ASSD评估性能.
主要成果:
- 亚当 (0.85) 和NAdam (0.84) 在TCIA测试数据上获得了最高的DSC.
- 当将TCIA训练的模型应用于本地临床数据集时,观察到DSC,HD,HD95和ASSD的统计学显著下降.
- 这种性能下降表明数据集之间的图像和/或掩盖异质性.
结论:
- 优化器的选择显著影响深度学习自分割性能.
- 当应用到新的临床数据集时,优化器的行为可能会发生变化,影响模型的概括性.
- 精心选择优化器对于在临床应用中实现最佳性能和通用性至关重要.
更多相关视频
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.6K
08:54Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells
Published on: May 20, 2020
9.1K
