深度学习网络的比较,用于在多中心PET/CT图像上完全自动地划分头瘤

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射治疗规划 放射治疗规划

背景情况:

• 与手动方法相比,深度学习为头癌 (HNC) 瘤细分提供了更好的可重复性.
• 当前的自分类方法与全身PET/CT扫描以及机构划分指南的变化相扎.

研究的目的:

• 从整个PET/CT扫描中探索HNC瘤的自定位和细分.
• 调查训练有素的深度学习模型对外部临床队伍的可转移性.
• 评估特定设施转移学习对细分精度的影响.

主要方法:

• 采用2D视网膜U-Net用于瘤定位和普通U-Net用于全身PET/CT扫描的细分.
• 与2D/3D Retina U-Nets相比,用于端到端的本地化和细分.
• 在HECKTOR上训练模型挑战数据,并通过来自三个机构的271个外部PET/CT扫描进行验证,用子相似系数 (DSC) 和豪斯多夫距离第95百分位数 (HD95) 进行评估.

主要成果:

• 基线模型实现了0.71-0.75的交叉验证DSC和8.6-10.7毫米的HD95.
• 对外部队列的直接测试显示了性能下降 (>10%的DSC下降,>40%的HD95增加).
• 设施特定的转移学习改善了外部测试性能,定期的U-Net和2D Retina U-Net显示了跨队伍的竞争性结果.

结论:

• 定期的U-Net在交叉验证和大多数外部测试场景中表现出卓越的表现.
• 设施特定的转移学习提高了个人机构的HNC细分精度.
• 2D视网膜U-Nets可以在转移学习后获得与普通U-Net相比的或更好的结果.