不确定性估计和对变形图像记录的评估基于卷积神经网络
Luciano Rivetti1, Andrej Studen1,2, Manju Sharma3
1Faculty of Mathematics and Physics, University of Ljubljana, Ljubljana, Slovenia.
Physics in medicine and biology
|May 15, 2024
概括
这项研究提出了一种新的深度学习模型,用于快速变形图像注册 (DIR) 和不确定性估计,这对于临床应用至关重要. 该模型在放射治疗图像对齐中表现出卓越的准确性和可靠的不确定性预测.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 准确的可变形图像记录 (DIR) 和不确定性估计对于安全的临床部署至关重要.
- 目前用于DIR的深度学习模型在不确定性评估和超参数优化方面面临挑战.
- 这项研究解决了快速DIR的需求,可靠的不确定性预测.
研究的目的:
- 开发和评估一种新的概率多分辨率深度学习模型,用于快速DIR和不确定性估计.
- 引入基于库尔巴克-莱布勒分歧的新指标来评估预测的移位场分布质量.
- 将拟议的模型与现有的不确定性预测DIR算法进行比较.
主要方法:
- 开发了一种概率多分辨率卷积神经网络模型,以估计多变量正常分布密位移场 (DDF).
- 使用Kullback-Leibler差异来评估预测的DDF的质量.
- 该模型被应用于记录计划CT到形光束CT用于适应性放射治疗,并与VoxelMorph,蒙特卡洛脱落和蒙特卡洛B-spline方法进行比较.
主要成果:
- 超参数调整揭示了不确定性可靠性和变形精度之间的权衡.
- 拟议的模型在轮传播和不确定性估计 (p < 0.05) 中表现出优异的性能,与在最佳权衡下其他方法相比.
- 获得了0.89的平均子相似系数和0.15的KL分歧.
结论:
- 开发的模型可靠地预测了可变形图像的注册及其不确定性.
- 这解决了DIR不确定性估计和评估中的关键挑战.
- 这些发现为基于深度学习的DIR的安全临床部署铺平了道路.
