在深度学习的自动细分中自动化的信心估计,用于在MRI上对辐射治疗风险的大脑器官进行自动细分
Nouf M Alzahrani1,2,3, Ann M Henry2,3, Bashar M Al-Qaisieh4
1Department of Diagnostic Radiology, King Abdulaziz University, Jeddah, Saudi Arabia.
Journal of applied clinical medical physics
|September 16, 2024
概括
一种新的人工智能驱动的方法,AutoConfidence (ACo),可靠地预测分段错误,没有黄金标准. 该工具增强了放射治疗中的自动细分 (AS) 审查,提高了内部和外部模型的效率和准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 放射治疗中的自动化细分 (AS) 需要强大的质量保证 (QA).
- 当前的质量保证方法通常依赖于耗时的手动审查或黄金标准细分.
- 需要为AS提供高效,无参考的质量保证工具.
研究的目的:
- 开发和验证AutoConfidence (ACo),这是一种新的AI驱动的方法,用于在AS中估计每个voxel的信任度.
- 允许对附属系统进行强有力的和高效的审查,而不需要黄金标准的细分.
- 使用内部和外部模型在MRI上证明ACO在脑器官危险 (OAR) AS中的实用性.
主要方法:
- 在32个回顾性质瘤病例中,ACO接受了MRI数据的培训.
- 一个生成器产生了内部自分段 (IAS),一个歧视器估计了音符智能的不确定性.
- 在内部和外部AS模型 (EM-LQ,EM-HQ) 上,ACO信心图与黄金标准错误图进行了比较.
- 使用马修的相关系数 (MCC),假阳性率 (FPR) 和假阴性率 (FNR) 评估了性能.
主要成果:
- 对于内部和外部细分,ACO在OAR (不包括镜头) 中表现出色.
- 与EM-HQ相比,在IAS和EM-LQ中观察到更高的MCC.
- 在IAS和EM-LQ上,平均MCC在0.6到0.9之间,FPR ≤0.13和FNR ≤0.21.
- 在EM-HQ上,平均MCC范围从0.4到0.8,FPR ≤0.37和FNR ≤0.22.
结论:
- ACo可靠地预测AS中的不确定性和错误,无论细分模型的来源 (内部或外部).
- ACo显示出作为自动化细分的独立,无引用的质量保证工具的潜力.
- 这种方法可以显著帮助运营商在临床放射治疗环境中提供高效和强大的自分化.
