基于深度学习的磁共振图像中面临风险的骨盆器官的半监督自细分方法
Xianan Li1, Lecheng Jia2,3, Fengyu Lin2
1Department of Radiation Oncology, Peking University People's Hospital, Beijing, China.
Journal of applied clinical medical physics
|February 22, 2024
概括
本研究引入了一种具有成本效益的半监督方法,用于在盆腔MRI图像中对有风险的器官 (OAR) 进行细分,使用最小的注释. 2D模型在3D模型上表现出优越的性能,用于有限数据的OAR细分.
科学领域:
- 放射治疗和医学成像技术
- 医学图像分析中的深度学习
- 计算解剖学的计算解剖学
背景情况:
- 磁共振成像 (MR) 与放射治疗中的计算机断层扫描 (CT) 相比,提供了优越的软组织对比度,并避免了辐射.
- 用于基于深度学习的风险器官 (OAR) 划分的手动注释是昂贵的,阻碍了创建大型,高质量的注释数据集.
- 开发高效的细分方法对于推进自动化放射治疗规划至关重要.
研究的目的:
- 提出一种低成本,半监督的方法,使用有限的MR图像注释来对有风险的骨盆器官 (OAR) 进行细分.
- 为了评估深度学习细分模型的性能,使用不同数量的标记数据.
- 在这种情况下,比较2D和3D自动细分网络的有效性.
主要方法:
- 在116个盆腔MRI图像集上训练了一种深度学习细分模型.
- 半监督学习,集体学习和后处理算法被用于数据增强和更正.
- 使用50个和10个标记数据点的子相似系数 (DSC) 评估了2D和3D自动细分网络的性能.
主要成果:
- 2D细分模型使用自我注释和后处理实现了高的DSC得分 (例如,膀0.954,大腿头0.984).
- 3D网络实现了0.871 (膀) 到0.975 (股骨头) 的DSC分数.
- 使用常见监督方法的2D模型产生了0.896 (膀) 到0.984 (大腿骨头) 的DSC得分,在某些情况下,在有限的数据的情况下,超过了3D模型.
结论:
- 多OAR细分模型可以有效地使用最小的注释样本和额外的未标记数据进行训练.
- 集合学习和后处理是增强数据集注释的有价值的技术.
- 与3D模型相比,2D细分模型在处理OAR细分中的数据异质性和有限样本大小时表现出更高的性能.
