应用FGD-BCEL损失函数在定位CT图像上的叶细分中的应用,用于放射治疗
Xiaobo Wen1,2,3,4, Bing Liang1,4,5, Biao Zhao2
1The Affiliated Hospital of Qingdao University, Qingdao University, Qingdao, China.
Frontiers in oncology
|October 23, 2023
概括
这项研究引入了一种新的损失函数,即焦点概括的Dice-binary交叉损失 (FGD-BCEL),用于在放射治疗CT图像中准确的叶细分. 基于FGD-BCEL的U-Net模型显示了提高准确性和减少过度/不足细分,即使数据有限.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在CT图像上精确的叶细分对于放射治疗规划至关重要.
- 医疗数据集中的类不平衡对细分准确性构成挑战.
研究的目的:
- 开发一种新的损失函数,以在局部CT图像上改善叶自动细分,用于放射治疗.
- 为应对在叶细分中的类不平衡样本的挑战.
主要方法:
- 在U-Net模型框架内,开发并实施了一种新的损失函数,即焦点泛化Dice-binary交叉损失 (FGD-BCEL).
- 用70名鼻癌患者的CT图像,对FGD-BCEL的性能进行了对比,对比了滴滴损失 (DL),泛型滴滴损失 (GDL),Tversky损失 (TL) 和焦点Tversky损失 (FTL).
- 分区的准确性是使用子相似系数 (DSC),贾卡德相似系数 (JSC),正预测值 (PPV),灵敏度 (SE) 和豪斯多夫距离 (HD) 来评估的.
主要成果:
- 基于FGD-BCEL的U-Net模型与其他损失函数相比,实现了改进的DSC,JSC,PPV和HD,证明了增强的细分精度.
- 该模型显示了与专家绘制的轮的形态相似性,并有效减少了过度和不足的细分.
- 实现了小叶结构的准确细分,即使数据集大小有限.
结论:
- 使用FGD-BCEL的U-Net模型满足了放射治疗CT图像中叶细分的临床要求.
- 与其他测试的损失函数相比,FGD-BCEL显著减少了过度和不足的细分.
- 需要进一步的研究,以完全消除细分不准确性,并提高模型性能.
