相关实验视频
Updated: May 28, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
353
对四种基于深度学习的商业自分类软件的评估和故障分析,用于风险腹部器官
Mingdong Fan1, Tonghe Wang2, Yang Lei3
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, Georgia, USA.
Journal of applied clinical medical physics
|February 13, 2025
概括
这项研究分析了四种商业深度学习自分类工具,确定了风险腹部器官 (OAR) 的特定故障模式,如肝脏,胃和脏. 了解这些细分趋势对于安全的临床实施至关重要.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 基于深度学习 (DL) 的风险器官自分化 (OAR) 与传统方法相比,提供了更高的性能.
- 商业DL自细分工具正在出现,但其临床实施受到欠发达的接受标准的阻碍.
- 了解细分趋势和故障模式对于安全的临床整合这些先进工具至关重要.
研究的目的:
- 对基于深度学习的四个商业自动轮工具进行异常分析.
- 识别和分类腹部OAR细分差异的原因.
- 为改善DL自细分软件提供见解,并告知临床用户.
主要方法:
- 评估了四个商业自行细分软件包:Limbus AI,MIM Contour ProtégéAI,Radformation AutoContour,以及西门子的syngo.via.
- 分析了111例患者病例,使用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD95) 将自动轮与临床轮进行比较.
- 分类异常原因成六种类型:轮风格,图像质量,OAR解剖学,相邻器官解剖学,设备和其他因素.
主要成果:
- 肝脏细分异常值与胆管支架 (Limbus) 和具有相似CT数量的邻近器官 (西门子) 有关.
- 胃细分问题包括碎片化轮 (MIM) 和不完全的划分与度对比 (Limbus,Radformation).
- 细分异常值涉及遵守指导方针 (Radformation,西门子) 与不同的轮风格 (Limbus) 和碎片轮 (Limbus,MIM),IV对比影响MIM.
结论:
- 总结了四个商业DL在OAR中的自动轮解决方案的细分异常原因.
- 这些发现可以指导供应商改进他们的自分类软件.
- 告知临床用户潜在的故障模式,帮助安全有效的工具实施.
