使用3D概率U-Net对小型放射治疗临床试验数据集进行细分的不确定性估计
Phillip Chlap1, Hang Min2, Jason Dowling2
1University of New South Wales, South Western Sydney Clinical School, Sydney, Australia; Ingham Institute for Applied Medical Research, Sydney, Australia; Liverpool and Macarthur Cancer Therapy Centres, Department of Radiation Oncology, Sydney, Australia.
概括
这项研究开发了一个3D概率U-Net模型,以估计医疗图像细分中的不确定性,即使数据有限. 该模型准确量化了细分信心,这对于确定新病例的临床实用性至关重要.
科学领域:
- 医疗图像分析 医学图像分析
- 机器学习在医疗保健中的应用
- 放射治疗规划 放射治疗规划
背景情况:
- 医疗图像细分模型旨在准确预测解剖结构.
- 由于内在的图像变化和观察者差异,不可能获得完美的基准真相.
- 估计不确定性 (选择性和认识性) 对于理解模型可靠性至关重要,特别是在有限的数据下.
研究的目的:
- 开发一个3D概率U-Net,能够估计医学图像细分中的代数和认识不确定性.
- 为应对培训细分模型中有限数据的挑战.
- 提高临床环境中自动化细分的可靠性和可解释性.
主要方法:
- 使用3D概率U-Net架构进行细分.
- 采用扩展的通用证据下界 (ELBO) 与受约束优化 (GECO) 和轮损失,以集中培训观察者不同意的领域.
- 应用集体和蒙特卡洛丢失 (MCDO) 方法用于推理过程中的不确定性量化.
- 在两个辐射疗法数据集 (TOPGEAR和RAVES) 上验证了方法,训练案例有限 (n=10).
主要成果:
- 实现了0.7的子相似度系数 (DSC) 和0.43的表面DSC (sDSC) 对于TOPGEAR,以及0.75 (DSC) 和0.71 (sDSC) 对于RAVES.
- 通过Ensemble和MCDO方法证明了模型信心的准确估计 (p < 0.001).
- 在不同情况下,细分质量有所不同,这突显了不确定性估计的重要性.
结论:
- 成功训练了自动细分模型,可以使用有限的数据集来估计代数和认识不确定性.
- 模型估计的预测信心对于评估模型对未见案例的适用性至关重要.
- 这种方法提高了临床决策中自动细分的可靠性.
