跨多个读者使用深度神经网络的挑战,以界定前列腺腺解剖学

科学领域:

• 医疗图像分析 医学图像分析
• 机器学习在瘤学中
• 放射学和医学成像学

背景情况:

• 深度学习模型,如深度神经网络 (DNN),显示出对自动化复杂的医疗图像细分任务的承诺.
• 培训DNN进行瘤学研究的一个重大挑战是需要大量的数据和多样化的专家意见,而这些数据因读者之间的差异性而复杂化.
• 临床专家之间的读者间变异性可能会阻碍DNN模型在现实临床环境中的可重复性和概括性.

研究的目的:

• 量化DNN表现的变异性受前列腺腺细分专家意见的影响.
• 探索培训深度学习模型的策略,并在不同专家注释之间进行调整.
• 通过解决临床专家注释中的读者间变异性来提高DNN模型的可重复性.

主要方法:

• 使用3D U-Net模型对T2权重磁共振成像 (MRI) 数据进行前列腺腺细分.
• 训练并测试了3D U-Net模型,使用两个专家读者 (R#1和R#2) 单独和组合注释的数据.
• 使用子系数评估模型性能,并通过五倍交叉验证根据前列腺大小 (大或小) 分析性能变化.

主要成果:

• 个人训练的平均代数是R#1的0.825和R#2.2的0.85.
• 使用两种读者数据的代表比例进行组合训练,提高了模型的可重复性,实现了R#1的平均子系数为0.863,R#2的平均子系数为0.869.
• 该模型在较大的前列腺上表现得更好 (R#1的Dice:0.846,R#2的0.872),但在较小的腺体上表现有所下降 (R#1的Dice:0.8,R#2的0.8).

结论:

• 在深度神经网络的训练中结合专家注释,可以显著提高医疗图像细分任务中的模型可重现性.
• 拟议的策略有效地减轻了读者之间的变异性,从而为前列腺癌分析提供了更强大和更可通用的DNN模型.
• 未来的工作应该集中在提高DNN性能的策略上,用于细分较小的解剖结构,这仍然是一个挑战.