通过球形图像投影量化基于多参数MRI的质瘤细分的U-Net不确定性
Zhenyu Yang1,2,3, Kyle Lafata1,4,5, Eugene Vaios1
1Department of Radiation Oncology, Duke University, Durham, North Carolina, USA.
Medical physics
|September 11, 2023
概括
一个新的基于球体投影的U-Net (SPU-Net) 模型有效地使用多参数MRI量化质瘤细分的不确定性. 这种深度学习方法提高了准确性,并识别了细分错误,增强了对临床应用的信任.
科学领域:
- 医学图像分析分析 医学图像分析
- 对于神经瘤学的深度学习.
- 人工智能中的不确定性量化
背景情况:
- 在深度学习中量化不确定性对于可靠的医学图像细分至关重要.
- 目前的方法缺乏可靠的不确定性测量,阻碍了临床信任.
- 需要新的方法来评估深度学习细分模型的可靠性.
研究的目的:
- 开发一种基于U-Net的方法,用多参数MRI (MP-MRI) 的球形投影来量化质瘤的细分不确定性.
- 评估拟议方法提供像素智能的不确定性图和得分,以改善临床决策的能力.
主要方法:
- 实施了基于球体投影的U-Net (SPU-Net) 模型,其中包括用于全球解剖信息保留的非线性图像转换.
- 从单个MP-MRI扫描生成多个独立的细分预测,平均结果以创建不确定性图.
- 将SPU-Net与使用测试时间增强 (TTA) 和基于线性缩放的U-Net (LSU-Net) 的经典U-Net进行了比较,使用369例质瘤患者扫描.
主要成果:
- SPU-Net显示了对正确细分的低不确定性和错误预测的高不确定性,有效地突出了细分错误.
- 与U-Net与TTA (0.784/0.643/0.872) 和LSU-Net (0.743/0.702/0.876) 相比,获得了更高的不确定性得分 (0.826/0.848/0.936对于ET/TC/WT).
- 此外,SPU-Net还在细分精度方面取得了统计学上显著的改进,由更高的子系数表明.
结论:
- SPU-Net模型提供了一个强大的工具来量化质瘤细分不确定性,并提高细分的准确性.
- 这种方法显示了对其他医学成像深度学习应用程序的概括潜力,这些应用程序需要不确定性评估.
