标注缺陷的影响和基于深度学习的风险器官细分的自动修复
Victor I J Strijbis1,2, O J Gurney-Champion3,4, Berend J Slotman1,2
1Amsterdam UMC location Vrije Universiteit Amsterdam, Department of Radiation Oncology, De Boelelaan 1117, Amsterdam, the Netherlands.
Physics and imaging in radiation oncology
|December 25, 2024
概括
本研究引入了一种自动修复方法,通过消除噪音数据,提高模型性能和通用性来改善卷积神经网络 (CNN) 训练,以进行放射治疗腺 (PG) 细分.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 由于专家经验和图像质量,放射治疗中风险器官细分的细分缺陷很常见.
- 临床轮可以导致低于最佳的卷积神经网络 (CNN) 训练和性能,而手动策划则资源密集.
研究的目的:
- 调查模拟和临床细分噪声对CNN腺 (PG) 细分的影响.
- 为了提供一个概念验证,一个易于实施的自动修复对抗细分噪声的对策.
主要方法:
- 模拟干净细分区中的噪声,以评估影响.
- 在CNN培训期间通过删除得分最低的子相似系数 (DSC) 病例来测试治愈疗效.
- 使用DSC和平均表面距离 (MSD) 对来自放射治疗临床队列 (RTCC; N=1750 PGs) 的模拟和临床数据进行评估治愈.
主要成果:
- 自动修复步骤平均删除了98%的损坏细分,并恢复了丢失的DSC.
- 20%的治愈显著改善了分布外的DSC和MSD (p <1.0e-12,p <1.0e-6),提高了模型的通用性.
- 在中侧和前侧腺叶片中观察到更好的细分一致性.
结论:
- 自动修复的好处超过了培训差异损失,高达30%的病例删除.
- 推15%的CNN培训案例,使用临床腺轮来保持保守的平衡.
- 该方法很容易实现,在较低的固化分数下具有高灵敏度和性能增长.
