深度学习与不确定性估计用于头癌的PET/CT自动瘤细分:模型复杂性,图像处理和增强的影响
Bao Ngoc Huynh1, Aurora Rosvoll Groendahl1,2, Oliver Tomic1
1Faculty of Science and Technology, Norwegian University of Life Sciences, Ås, Norway.
Biomedical physics & engineering express
|August 10, 2024
概括
卷积神经网络 (CNN) 可以自动化用于头癌的放射治疗轮,提高速度和一致性. 不确定性估计有助于识别需要手动审查的轮,提高治疗计划的准确性.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 用于放射治疗的手动轮是耗时且可变的.
- 使用CNN的自动轮提供速度和一致性,但可能缺乏准确性.
- 改善CNN轮质量和评估不确定性对于临床采用至关重要.
研究的目的:
- 评估提高头癌CNN辐射疗法轮质量的方法.
- 用PET/CT成像来评估这些自动轮的不确定性.
- 提高CNN模型在不同中心的通用性.
主要方法:
- 对两组头部和部状细胞癌患者的回顾性分析.
- 训练CNN模型使用手动轮作为基本真理.
- 评估图像预处理,增强,转移学习和模型架构 (2D/3D).
- 使用蒙特卡洛脱落来量化不确定性.
主要成果:
- CNN模型与手动轮有很好的重叠 (子相似系数:0.75-0.77).
- 图像增强和模型尺寸显著影响了性能和通用性.
- 转移学习改善了跨中心的概括性,而不会造成性能损失.
- 高模型不确定性与细分错误相关.
结论:
- 没有过于复杂的深度学习模型可以生成高质量的自动轮.
- 不确定性估计有效突出需要手动修改的轮.
- 这种方法有可能提高放射治疗规划的效率和准确性.
