根据DBCG RT国家队列的临床划分,为心脏开发基于深度学习的国家自分类模型
Emma Riis Skarsø1,2, Lasse Refsgaard2,3, Abhilasha Saini4
1Danish Center for Particle Therapy, Aarhus University Hospital, Aarhus, Denmark.
Acta oncologica (Stockholm, Sweden)
|September 15, 2023
概括
这项研究表明,在临床数据上训练的深度学习心脏自分类模型的表现与在纠正数据上训练的模型相比. 这项可行性研究简化了用于放射治疗的多机构AI模型的开发.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 在放射治疗中,为心脏开发精确的自我细分模型至关重要.
- 临床划分通常具有可以影响模型性能的变异.
研究的目的:
- 通过临床划分来研究训练心脏深度学习自分区模型的可行性.
- 为了比较在临床数据和纠正数据上训练的模型的性能.
- 评估数据集大小和质量对模型性能的影响.
主要方法:
- 使用了两个数据集:一个有1561个临床心脏划线,另一个有114个纠正的划线.
- 在临床数据集上进行了异常值检测,以删除不符合情况.
- 一个3D全分辨率nnUNet模型被训练并使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和平均表面距离 (MSD) 进行评估.
主要成果:
- 在精选的临床数据上训练的模型实现了0.96的DSC中位数,HD95的4.00毫米,MSD的1.49毫米.
- 在纠正数据上训练的模型实现了0.95的DSC中位数,5.65毫米的HD95和1.63毫米的MSD.
- 模型之间的性能差异没有统计学意义 (p > 0.05). 减少队列大小也没有显著的影响,尽管与最小的队列出现了异常值.
结论:
- 对心脏的深度学习自分区模型可以在精选的临床划分上有效地训练.
- 在临床数据上训练的模型的性能与在专用,纠正的数据集上训练的模型相比.
- 这种方法有助于开发强大的,多机构的放射治疗规划自分类模型.
