对基于人工智能的前列腺MRI自轮进行放射治疗的域转移源和概括性的评估
Maram Alqarni1, Emma-Louise Jones2, Vinod Mullassery3
1School of Biomedical Engineering and Imaging Sciences, Faculty of Life Sciences and Medicine, King's College London, London SE1 7EU, United Kingdom; Department of Biomedical Engineering, Imam Abdurhamn bin Faisal University, Dammam, Saudi Arabia.
概括
域移动显著影响深度学习前列腺MRI细分. 图像采集和扫描器变异比数据集差异带来更大的挑战,需要为临床部署提供强大的模型培训.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 深度学习 (DL) 模型提供基于MRI的自动划分,但由于域移动而面临挑战.
- 培训和评估数据集之间的图像特征差异阻碍了DL模型的通用性.
研究的目的:
- 分析各种域位移源对前列腺MRI细分的影响.
- 在异构的公共数据上训练的DL模型进行外部评估.
- 将混合域训练模型与内部模型的性能进行比较.
主要方法:
- 从五个公共数据集中使用T2加权的MRI训练了nnU-Net DL框架进行前列腺自行轮.
- 评估的领域从数据集,扫描仪供应商/场强度以及图像采集/注释协议转移.
- 使用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD) 来评估轮的准确性.
主要成果:
- 从扫描仪供应商/场强度和图像采集/注释协议的域名转移比数据集差异的影响更大.
- 混合域训练模型表现良好,但不如内部模型那么强大.
- 在所有评估的域转移源中观察到显著的性能差距 (p < 0.05).
结论:
- 图像采集/注释协议引入域移动,即使与一致的扫描仪供应商/领域优势.
- 了解多个域转移源可以训练强大的DL模型进行临床部署.
- 该研究强调了解决领域转移对于可靠的自动化MRI细分的重要性.
更多相关视频
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
1.1K
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
1.1K
