持续的无源活性域适应性用于多个医院的鼻癌瘤细分
Zhaocan Yang1, Yan Li1, Yang Liu1
1Orthopedics Center The First Hospital of Jilin University, Xinmin Street, Changchun, 130031, Jilin, China; Central Laboratory, The First Hospital of jilin University, Xinmin Street, Changchun, 130031, Jilin, China.
概括
这项研究引入了在放射治疗中对鼻癌 (NPC) 瘤进行细分的新框架. 该方法通过选择信息样本并防止知识丢失,提高了不同医院的深度学习模型准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的总瘤体积 (GTV) 划分对于有效的鼻癌 (NPC) 放射治疗至关重要.
- 针对自动化GTV细分的深度学习模型面临性能下降,原因是多中心数据中的域位移.
研究的目的:
- 提出一个新的持续无源主动域调整 (CSFADA) 框架,用于NPC的强大的GTV细分.
- 解决现有方法的局限性,包括源数据依赖,偏见的样本选择和灾难性的遗忘.
主要方法:
- 引入了一个域引用和不变量选择策略,使用自主监督学习来获取目标域知识并选择信息样本.
- 开发了一种双阶段的循环蒸策略,以保护源域知识并防止灾难性遗忘.
- 利用交叉相关性学习来增强域名适应.
主要成果:
- 拟议的CSFADA框架在跨多中心数据集的NPC的GTV细分方面表现出卓越的表现.
- 域引用和不变量选择策略有效地解决了源数据依赖性和有偏见的样本选择.
- 双阶段的反复蒸策略成功地缓解了灾难性的遗忘,并保存了源域信息.
结论:
- 开发的CSFADA框架为NPC放射治疗中的自动GTV细分提供了显著的进步.
- 该方法在改善深度学习模型在多中心临床环境中的通用性和可靠性方面具有前景.
- 公开可用的代码有助于进一步研究和应用拟议的技术.
