评估不同的deface算法对深度学习细分软件性能的影响
Ali Ammar1, Libing Zhu1, Shep Bryan1
1Department of Radiation Oncology, Mayo Clinic, Phoenix, AZ, United States.
Frontiers in oncology
|October 23, 2025
概括
对人工智能培训的医疗图像的破坏会影响面部结构细分,但对辐射瘤学至关重要的表面器官的影响很小. 需要进一步的研究来提高人工智能模型的稳定性,以保护隐私的数据共享.
科学领域:
- 医学成像分析 医学成像分析
- 辐射瘤学中的人工智能
- 医疗研究中的数据隐私
背景情况:
- 数据共享对于推进辐射瘤学至关重要,特别是用于使用医学成像训练AI模型.
- 患者隐私需要医疗图像的非识别,包括面部特征去除 (defacing).
- 在头部和部 (HN) CT 图像中对人工智能驱动器官细分的影响需要评估.
研究的目的:
- 评估两个破坏算法的对基于AI的器官细分在HNCT扫描中的影响.
- 评估损伤诱导的细分变化对放射治疗计划的临床影响.
主要方法:
- 在50名患者的CT扫描中应用了两个破坏算法 (DeIdentifier,mri_reface_0.3.3).
- 用两个人工智能工具 (INTContour,AccuContour) 使用子相似系数 (DSC),豪斯多夫距离 (HD95) 和表面子相似系数 (SDSC) 来测量细分精度.
- 计算剂量差异 (D0.01cc) 来评估临床影响;对 t 试验用于统计分析.
主要成果:
- 对面结构 (例如,口腔,眼睛) 的细分精度显著降低,但对面结构 (例如,脑干,脊髓) 的影响最小.
- DeIdentifier比mri_reface更好地保留了霍恩斯菲尔德单位 (HU) 和解剖学一致性,这引入了更多的变化.
- 剂量分布分析显示大多数结构的差异很小 (<20cGy),脑干,唇部NRG和大脑略有差异.
结论:
- 面改变了面部区域的细分精度,但对面部结构和放射治疗计划的整体影响很小.
- 建议采用域调整技术,以增强AI模型对损坏和非损坏的医疗图像数据集的稳定性.
- 通过破坏数据的数据隐私与保持细分完整性的平衡对于医疗成像中的AI至关重要.
