贝叶斯U-Net与手动注释中的细分变量:对肺瘤CT图像中放射性可重现性的影响

科学领域:

• 医学成像医学成像
• 放射学 放射学是一门学科.
• 医学中的人工智能.

背景情况:

• 放射性分析主要依赖于对感兴趣区域 (ROI) 的准确细分.
• 深度学习 (DL) 提供了自动细分,潜在地提高了放射性可重现性.
• 量化DL预测中的不确定性可以增强信任,特别是如果它反映了专家的变化.

研究的目的:

• 评估DL衍生不确定性是否与专家注释变化一致.
• 通过DL细分来确定最大限度地提高放射性特征可重现性的最佳配置.
• 为了评估蒙特卡罗脱落 (MCD) 方法在CT扫描上细分肺瘤.

主要方法:

• 集成蒙特卡洛脱落 (MCD) 进入U-Net模型,用于CT图像上的肺瘤细分.
• 利用了两个公共数据集,其中包含多个专家注释的瘤口罩.
• 在不同信心级别的基于MCD的细分与专家的界定进行了比较.
• 提取了放射性特征,并通过不同的置信值评估了可重现性.

主要成果:

• 基于MCD的细分不确定性部分反映了专家的变化,特别是在较低的信心水平.
• 放射性特征仍然对细分变化的敏感;只有大约一半在最佳条件下实现了可重现性.
• 该研究提供了与手动划分相比,DL预测的可信度的见解.

结论:

• 与MCD一样,DL细分与不确定性量化可以提高放射性分析的可靠性.
• 虽然不完全复制专家的变异性,但MCD为改善放射性可重现性提供了一个有希望的方法.
• 需要进一步优化,以充分利用DL,在临床实践中实现一致的放射性特征提取.