基于一般化磁共振成像的鼻癌划分:通过主动学习跨越多个中心和评级机构的差距弥合
Xiangde Luo1, Hongqiu Wang2, Jinfeng Xu3
1Department of Radiation Oncology, Radiation Oncology Key Laboratory of Sichuan Province, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, Affiliated Cancer Hospital of University of Electronic Science and Technology of China, Chengdu, China; School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, China.
International journal of radiation oncology, biology, physics
|November 18, 2024
概括
一种新的深度学习方法改善了鼻癌 (NPC) 总瘤体积在医院和专家使用有限数据的细分. 这种方法提高了医学成像分析的准确性和通用性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 深度学习用于医学细分的深度学习.
背景情况:
- 在鼻癌 (NPC) 中,准确的总瘤体积 (GTV) 划分对于治疗规划至关重要.
- 在多个中心和评级机构中部署细分模型存在挑战,原因是数据的变化和不一致性.
- 现有的模型通常需要大量的标记数据,这限制了它们在各种临床环境中的适用性.
研究的目的:
- 为NPC GTV划分开发一种新的深度学习方法.
- 利用主动学习和无源域调整来解决多中心和多级域的变化.
- 在现实世界部署场景中提高NPC细分模型的准确性和通用性.
主要方法:
- 来自5家医院的1057个NPCMRI扫描的回顾性收集,用于多中心评估.
- 为适应性测试开发源域数据集和4个目标域.
- 创建一个单独的数据集 (170名患者) 和4名独立专家的注释,用于多级评估.
- 使用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD95) 进行定量评估.
主要成果:
- 无源主动学习方法在4个目标中心实现了0.70-0.86的DSC中位数和3.16-7.21mm的HD95,仅使用20%的标记目标样本.
- 在多级数据集上的性能显示中位数DSC为0.78-0.85和HD95为3.64-6.00毫米.
- 结果表明,与完全监督的U-Net相比,大多数多中心和所有多级数据集 (P > 0.05) 没有统计差异.
- 临床评估表明,对临床可用性进行了微小的改进 (修订比率<10%,时间<2分钟).
结论:
- 拟议的方法有效地减少了NPC GTV细分中的域差距.
- 它实现了令人鼓舞的性能,与具有显著减少标记数据的完全监督模型可比.
- 这为各种临床环境中准确,可泛化和高效的NPC GTV细分提供了有希望和实用的解决方案.
