用深度集体学习对脑放射治疗计划的MRI图像进行自动细分,使用集体学习.
S A Yoganathan1,2, Tarraf Torfeh1, Satheesh Paloor1
1Department of Radiation Oncology, Hamad Medical Corporation, Doha, Qatar.
Biomedical physics & engineering express
|January 20, 2025
概括
与单个卷积神经网络 (CNN) 模型相比,集体深度学习 (EDL) 模型显著提高了脑MRI细分精度. 这一进步提高了MRI指导放射治疗 (RT) 计划的精度.
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:
- 脑磁共振成像 (MRI) 的准确细分对于放射治疗 (RT) 规划至关重要.
- 现有的单个卷积神经网络 (CNN) 模型显示了细分精度的局限性.
研究的目的:
- 开发和评估一种有效的方法来自动细分T1和T2权重的大脑MRI.
- 将单个CNN模型的细分性能与整体方法进行比较.
主要方法:
- 开发了一个集体深度学习 (EDL) 策略,整合了五个独立训练的2D CNN.
- 该EDL模型使用加权平均方法从个别网络中平均类概率.
- 在临床和公共数据集上,使用子相似系数 (DSC) 和 95% 的豪斯多夫距离 (HD95) 评估了细分性能.
主要成果:
- 在临床 (DSC: 0.7 ± 0.2,HD95: 4.5 ± 2.5 mm) 和公共数据集上,EDL模型实现了优异的细分性能.
- 整体方法显著优于单个CNN (DSC ≤0.6,HD95 ≥14毫米).
结论:
- 集体学习,特别是EDL模型,始终提高细分精度,而不是单个CNN.
- EDL方法显示出改善临床应用的巨大潜力,特别是在MRI引导的RT规划中.
