深度学习在风险器官细分中的普遍性:在宫支臂治疗中进行转移学习研究

科学领域:

• 医学成像医学成像
• 辐射瘤学 辐射瘤学
• 人工智能的人工智能是人工智能.

背景情况:

• 放射治疗中自动划分的深度学习模型在机构和扫描仪之间显示了可变的有效性.
• 适应性和强大的模型对于临床环境来说至关重要,以克服性能不一致.
• 转移学习 (TL) 提供了一种有希望的方法来提高模型的通用性.

研究的目的:

• 证明转移学习 (TL) 的有效性,以提高深度学习模型的可通用性,以自动细分面临风险的器官 (OAR).
• 评估TL对MR指导的宫支臂治疗中OAR细分精度的影响.
• 评估微调扫描数量对模型性能的影响.

主要方法:

• 开发了一个预训练的深度学习模型,使用3TMR扫描仪的120个扫描来分割四个OAR.
• 该模型对三个分布之外的目标群体进行了微调,使用vDSC和HD95.5等指标评估性能.
• 进行了TL前后结果的比较,并分析了微调数据量的影响.

主要成果:

• TL显著提高了不同目标群体的细分精度,实现了与预训练模型相比的性能.
• 细分的最实质性的改进是在前五次微调扫描中观察到的,之后的性能平稳.
• 在所有四个组 (混合) 上都进行了微调的模型,与在单一组 (单一) 上训练的模型相比,在未见的数据上表现出更好的表现.

结论:

• 转移学习有效地提高了深度学习模型的概括性,用于MR引导的宫支臂治疗中的OAR细分.
• TL需要更少的微调数据,并减少了培训时间,使其适合临床实施.
• 这些发现支持为各种临床环境开发可适应的深度学习模型.