一种3D转移学习方法,用于在放射治疗期间识别多个同时发生的错误.
Kars van den Berg1, Cecile J A Wolfs2, Frank Verhaegen2
1Medical Image Analysis group, Department of Biomedical Engineering, Eindhoven University of Technology, The Netherlands.
Physics in medicine and biology
|December 13, 2023
概括
深度学习模型可以识别放射治疗中的多个同时治疗错误. 这项研究证明了使用卷积神经网络 (CNN) 在3D剂量验证数据中复杂错误检测的可行性.
科学领域:
- 医学物理 医学物理
- 放射疗法是一种放射治疗.
- 人工智能在医学中的应用
背景情况:
- 包括卷积神经网络 (CNN) 在内的深度学习模型显示出使用剂量比较图像识别治疗错误的前景.
- 临床场景通常涉及多个同时发生的解剖和/或机械错误,这对当前的错误识别方法构成了挑战.
研究的目的:
- 在具有多个同时处理错误的复杂场景中评估基于CNN的错误识别能力.
- 评估3D CNN的性能,以在两个不同的水平上对处理错误进行多标签分类.
主要方法:
- 在40名肺癌患者的计划和CT图像中模拟了临床现实的治疗错误组合.
- 在2580个预测的3D剂量分布上使用转移学习方法训练了一个3D CNN,将它们与无错误的分布进行比较.
- 评估了三种CNN的组合模型,并使用相对剂量差异作为替代输入指标.
主要成果:
- 美国有线电视新闻网在1级错误分类 (主要错误类型) 中获得了高F1分,但在2级 (错误子类型) 中表现较低.
- 使用相对剂量差异提高了2级性能,而组合模型减少了过拟合.
- 独立测试组F1分数为0.86的1级和0.62的2级.
结论:
- 使用深度学习模型可以识别3D剂量验证数据中的同时多个错误.
- 在放射治疗错误检测中,CNN显示了提高放射治疗错误检测的准确性和可靠性的潜力.
更多相关视频
08:34Proton Therapy Delivery and Its Clinical Application in Select Solid Tumor Malignancies
Published on: February 6, 2019
20.4K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.8K
