你需要多少数据? 在有限的数据背景下对盆腔多器官细分的分析

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 辐射疗法 辐射疗法

背景情况:

• 深度学习模型需要大量的数据集进行培训,这限制了它们在专门的细分任务中的使用.
• 盆腔多器官细分对于放射治疗规划至关重要.
• 有限的数据可用性和域特异性对模型通用性构成挑战.

研究的目的:

• 在有限的数据条件下,评估nnU-Net模型对盆腔多器官细分的性能.
• 为了研究数据集大小和细分精度之间的权衡.
• 用稀缺数据评估数据增强对模型性能的影响.

主要方法:

• nnU-Net模型在逐渐较小的盆腔MRI图像子集上进行训练 (n=58总数,46用于训练,12用于测试).
• 使用子相似系数,平均表面距离和95%的豪斯多夫距离评估细分性能.
• 用数据增强和没有数据增强训练的模型的比较.

主要成果:

• nnU-Net通过完整的训练数据集实现了高细分精度 (平均子: 0.903 前列腺, 0.851 SV, 0.884 直肠, 0.967 膀).
• 性能保持稳定,训练图像>12,但显著下降到低于这个值.
• 数据增强在所有数据集大小中始终提高了性能,特别是在非常小的数据集中.

结论:

• 在有限的数据和单个扫描器限制下,nnU-Net在男性骨盆多器官细分方面表现出熟练.
• 存在大约12张图像的数据值,低于此,性能会大幅下降.
• 数据增强是维持低数据场景中的性能的一个关键因素,使nnU-Net对于有限数据的内部应用程序具有价值.