使用深度学习自动细分的边界子区域错误检测方法
Jingwei Duan1, Mark E Bernard1, Yi Rong2
1Department of Radiation Medicine, University of Kentucky, Lexington, Kentucky, USA.
Medical physics
|October 4, 2023
概括
本研究引入了一个轮亚区域错误检测 (CSED) 系统,以提高辐射治疗的准确性. 在CSED系统有效地识别和可视化轮错误,提高质量保证和减少与不准确的器官细分相关的风险.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医学成像分析 医学成像分析
背景情况:
- 在放射治疗中,不准确的手动器官划分会导致高风险的失效模式.
- 目前的自动化轮质量保证 (QA) 系统需要耗时的手动检查标记的情况,风险被忽视的错误.
- 现有的方法难以准确地定位和可视化分区域轮差异.
研究的目的:
- 开发和验证一种新的轮质量保证系统,用于检测和可视化分区域轮错误.
- 提供定性和定量评估的轮精度.
- 为了提高辐射治疗计划的效率和有效性,QA.
主要方法:
- 开发了一个直线子区域错误检测 (CSED) 系统,使用手动和深度学习自动细分 (DLAS) 轮之间的表面距离差异.
- 通过临床数据集 (60个案例) 的基于知识的通过标准,对头部和部数据集 (339个案例) 验证了系统.
- 在CSED标记的病例中,由放射瘤学家进行盲目定性评估和重新检查.
主要成果:
- 在CSED系统成功地可视化了各种各样的次区域的质量和数量上的轮错误.
- 在大脑干和骨轮方面,获得了高的真实阳性率 (0.771-0.814) 和准确率 (0.730-0.759).
- 通过CSED辅助的审查,错过错误的检测能力提高了75%,并大大缩短了审查时间.
结论:
- 通过使用DLAS轮,CSED系统有效地检测,定位和可视化手动细分错误.
- 该系统有助于减少辐射治疗中因器官细分不准确而导致的高风险故障模式.
- 通过提供精确的错误识别和可视化,CSED系统增强了轮质量保证.
