提高基于深度学习的头和部瘤细分的可靠性,使用多模式图像的不确定性估计
Jintao Ren1,2,3, Jonas Teuwen4, Jasper Nijkamp1,3
1Danish Centre for Particle Therapy, Aarhus University Hospital, Palle Juul-Jensens Boulevard 25, 8200 Aarhus N, Denmark.
Physics in medicine and biology
|July 26, 2024
概括
不确定性估计方法显著提高了深度学习对头癌 (HNC) 自分化的可靠性. 虽然细分精度相当,但像PhiSeg这样的方法可以更好地识别瘤划分中的潜在错误.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 深度学习对头癌 (HNC) 瘤的自分化 (GTV-T) 和结节转移 (GTV-N) 有希望.
- 当前的方法经常表现出过于自信的预测和错误,损害了可靠性.
- 不确定性估计为量化预测信心和提高细分可信度提供了一种方法.
研究的目的:
- 调查各种不确定性估计方法在提高基于深度学习的HNC自分化的可靠性方面的有效性.
- 评估voxel预测的置信度水平以及这些方法揭示潜在细分错误的能力.
- 在不同的估计技术中比较细分精度,信心校准和不确定性错误重叠.
主要方法:
- 追溯分析567名HNC患者的多模式图像 (CT,PET,MRI) 和临床GTV-T/N划线.
- 利用nnUNet的3D细分管道来比较七种不确定性估计方法.
- 基于子相似系数 (DSC),预期校准错误 (ECE) 和不确定性错误重叠 (UE-DSC) 的评估方法.
主要成果:
- 分段精度 (DSC) 在GTV-T (0.73-0.76) 和GTV-N (0.78-0.80) 两种方法中显示出狭窄的范围.
- 信心校准 (ECE) 和不确定性错误重叠 (UE-DSC) 差异很大,表明可靠性的差异.
- 概率网络-PhiSeg方法在ECE和UE-DSC中始终表现最好.
结论:
- 不确定性估计对于提高深度学习在HNC自分化的可靠性至关重要.
- 虽然细分精度可能相似,但预测的可靠性在方法之间存在很大差异.
- 不确定性估计方法,特别是 PhiSeg,在与可视化地图一起使用时,可以有效地确定voxel级别的不确定性和潜在的细分错误.
