确定最佳的深度学习架构和参数,用于在3D放射治疗中自动定义光束光圈

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 放射治疗技术 放射治疗技术

背景情况:

• 二维放射治疗是低收入和中等收入国家常见的宫癌治疗方法.
• 对二维放射治疗的治疗计划是复杂且耗时的.
• 神经网络可以自动化规划,但超参数对准确度的影响需要调查.

研究的目的:

• 评估卷积神经网络架构和超参数对2D辐射治疗领域划界的影响.
• 为了确定最佳的超参数,准确的自动化治疗计划.

主要方法:

• 训练了六个深度学习架构,在数字重建的放射图上划分四个字段盒口.
• 进行了全面的超参数搜索,变化的学习速率,规范化,内核大小,网络深度,功能地图和激活函数.
• 训练并测试了超过1700个独特的模型.

主要成果:

• 最初的学习率为0.0001,对提高绩效始终具有重要意义.
• 在DeepLabv3+和D-LinkNet架构中,对超参数选择的敏感度最低.
• 实现了很高的重叠 (平均子相似系数=0.98) 和表面距离一致 (平均表面距离<2mm).

结论:

• 在这个任务中,DeepLabv3+和D-LinkNet是用于超参数选择的最强大的架构.
• 学习速度,非线性激活函数和内核大小是提高性能的关键超参数.