一个质量保证框架,用于深度学习心脏子结构的常规监测,电脑断层扫描细分模型在放射治疗
Xiyao Jin1, Yao Hao1, Jessica Hilliard1
1Department of Radiation Oncology, Washington University in St. Louis School of Medicine, St. Louis, Missouri, USA.
Medical physics
|November 28, 2023
概括
一个新的质量保证 (QA) 框架有效地预测心脏基结构自分化性能,即使有像图像工件这样的域位移. 该工具通过监控细分精度,确保了医疗成像中的可靠AI.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 放射治疗和计算病理学
- 机器学习用于医学图像分析.
背景情况:
- 自动细分模型经常面临由于域转移而导致的性能下降,在此情况下,培训和临床部署数据有所不同.
- 强大的质量保证 (QA) 工具对于监测和预测临床环境中的细分性能至关重要.
- 这项研究解决了在心脏子结构自分化的领域转移和性能常规监测的需要.
研究的目的:
- 开发一个全面的质量保证框架,以持续监测域名转移.
- 在临床实践中预测心脏基结构自分割算法的性能.
- 确保人工智能驱动的放射治疗细分工具的可靠性和准确性.
主要方法:
- 创建了一个基准数据集,包括241名患者的CT图像和手动心脏划分,包括正常和五个异常域 (文物,病理,质量变化).
- 开发了一个质量保证框架,包括一个图像域转移检测器 (自动编码器和图像质量特征的消极) 和一个形状质量检测器 (变量自动编码器).
- 使用这些探测器训练了一种回归模型 (带有引导聚合的线性回归),以预测细分精度 (迪斯相似系数).
主要成果:
- 异常域在卷积神经网络 (CNN) 模型中显著降低了子相似系数 (DSC),但在变压器模型中不一致.
- 添加的噪声是唯一影响CNN性能的显著扫描仪协议参数,将DSC降低0.07-0.41,而变压器模型不受影响.
- 质量保证框架在预测的DSC中实现了0.03的平均绝对误差 (MAE),输入和输出检测器的组合产生了最低的MAE.
结论:
- 开发的质量保证框架成功预测了心脏亚结构自分割模型的性能.
- 该框架有效地识别和量化临床相关的"异常"域转移对绩效的影响.
- 这种方法提高了医疗成像应用中基于AI的细分的可靠性.
