基于深度学习的自细分网络的患者特异性不确定性校准,用于MRI引导的自适应性肺放射治疗
Moritz Rabe1, Ettore F Meliadò2, Sebastian N Marschner1,3
1Department of Radiation Oncology, LMU University Hospital, LMU Munich, Munich, Germany.
Physics in medicine and biology
|May 9, 2025
概括
特定于患者的深度学习自分类模型提高了适应性放射治疗的准确性. 训练后校准提高了不确定性估计,这对于轮校正和适应性放射治疗 (ART) 的临床可行性至关重要.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 深度学习自分化 (DLAS) 模型有助于适应性放射治疗 (ART) 的轮.
- 蒙特卡洛脱落 (MCD) 为DLAS提供了不确定性地图.
- 患者级不确定性校准的差异限制了DLAS在ART中的临床实用性.
研究的目的:
- 评估基于人口和特定患者的DLAS准确性和不确定性校准.
- 建议并验证ART中DLAS的患者特定的培训后不确定性校准方法.
主要方法:
- 训练有素的3D-U-Net基于人群的基线模型 (BM) 在122名肺癌患者中出现学.
- 通过微调BMs创建特定患者 (PS) 模型.
- 使用MCD评估不确定性,并使用新的培训后方法对分数图像进行校准.
主要成果:
- 针对患者的特定模型显著改善了危险器官 (OAR) 的子相似系数 (DSC),从0.78 (BM) 提高到0.86 (PS).
- 训练后的校准大大降低了OAR的预期校准误差 (ECE),从0.25 (BM) 降至0.091 (calBM) 和0.22 (PS) 降至0.11 (calPS).
- 具体患者模型显著改善了总瘤体积 (GTV) DSC 从0.05 (BM) 到0.75 (PS),校准降低了GTV ECE.
结论:
- 针对患者的微调可以提高ART中的OAR和GTV的DLAS精度.
- 训练后不确定性校准有效校准DLAS模型,而不会影响几何精度.
- 这种方法产生了几何精确的DLAS模型,可靠的不确定性估计,对ART至关重要.
