改进了结果模型,揭示了扩散
D Dudas1, T J Dilling2, I El Naqa2
1H. Lee Moffitt Cancer Center and Research Institute, Department of Machine Learning, Tampa, FL, USA; Czech Technical University in Prague, Faculty of Nuclear Sciences and Physical Engineering, Prague, Czechia.
概括
拒绝扩散概率模型 (DDPM) 产生现实的合成数据,以解决放射治疗结果模型中的类失衡问题. 与传统方法相比,这种方法显著改善了模型性能.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 放射治疗研究 放射治疗研究
背景情况:
- 放射治疗结果建模经常遇到关键终点不平衡数据集的挑战.
- 阶级不平衡会阻碍放射治疗中的预测模型的准确性和可靠性.
- 生成模型为增强稀疏数据集提供了一个潜在的解决方案.
研究的目的:
- 实施Denoising扩散概率模型 (DDPM) 来生成合成数据以改进放射治疗结果模型.
- 为了解决瘤局部控制预测模型中的类失衡,使用一种新的条件3D DDPM.
- 为了比较DDPM增强模型与传统类失衡技术的性能.
主要方法:
- 用SBRT治疗的535名NSCLC患者的数据集被用于培训.
- 开发了一个有条件的3D DDPM来生成合成放射治疗计划数据.
- 通过用合成数据补充真实训练数据,并与过量抽样,不足抽样,增量,类权重,SMOTE和ADASYN进行比较来评估性能.
主要成果:
- 由DDPM生成的合成数据被视觉验证,并实现了低于50的Fréchet起始距离 (FID).
- 将培训数据集与DDPM生成的数据增加,导致模型性能提高了10%以上.
- 传统技术在模型性能上只提高了大约4%.
结论:
- DDPM介绍了一种创新的方法,用于解决放射治疗中的类不平衡结果建模.
- 生成的合成数据是现实的,并提高了结果预测模型的性能和稳定性.
- 这种方法对推进个性化放射治疗治疗计划具有重大前景.
