双参考无源源活域适应鼻癌瘤在多家医院的细分

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 鼻癌 (NPC) 是一种严重的头恶性瘤.
• 准确的总瘤体积 (GTV) 分段对于有效的NPC放射治疗至关重要.
• 目前的GTV细分方法面临挑战,原因是有限的注释数据和数据隐私问题.

研究的目的:

• 开发一个新的源代码免费主动域适应框架,用于NPC中的GTV细分.
• 解决现有的无监督域适应方法的局限性,这些方法会扭曲结构信息.
• 为了促进域名适应,同时确保数据隐私和减少注释工作量.

主要方法:

• 设计了一种双重参考策略,从目标域中选择代表性样本进行注释和微调.
• 该框架在不需要访问源域数据的情况下运行,增强数据隐私.
• 来自五家医院的1057名NPC患者的大规模临床数据集被用于验证.

主要成果:

• 提出的方法显著优于以前的积极学习和无监督领域适应技术.
• 这种方法取得了与完全监督方法相似的结果,即使注释有限.
• 在NPC的GTV细分中表现出显著的医疗实用性和效率.

结论:

• 无源主动域调整框架为NPC中的GTV细分提供了保护隐私和高效的解决方案.
• 该方法有效地减少了对广泛注释的需求,减轻了瘤学家的负担.
• 该研究为多中心NPC细分研究做出了有价值的贡献,并发布了代码和数据集.