2023 AAPM 指南：基于深度学习的盆腔癌放疗危及器官分类及勾画
2023-05-12 美国医学物理学家协会 J Appl Clin Med Phys 发表于安徽省
这项工作的目的是 (1) 当训练数据包含非连贯和多重描绘指南时，证明 DL 语义分割的性能受损，以及 (2) 开发、评估和验证基于深度学习的分类模型，以区分骨盆 OAR 结构与划定指南的主要和次要差异
2023 AAPM 指南：基于深度学习的盆腔癌放疗危及器官分类及勾画
Deep learning-based classification of organs at risk and delineation guideline in pelvic cancer radiation therapy
2023-05-12
用于放射治疗 (RT) 图像分割的深度学习 (DL) 模型需要准确标注的训练数据。存在多个器官勾画指南；然而，关于使用的指南的信息没有随描述一起提供。因此，提取具有连贯准则的训练数据可能具有挑战性。我们提出了一种用于骨盆结构描绘的监督分类方法，其中肠腔、股骨头、膀胱和直肠数据根据两个指南进行了分类。还展示了使用混合指南训练数据对基于 DL 的分割质量的影响。肛门癌患者的 CT 图像上手动勾画肠腔 ( n = 170) 根据指南 Devisetty 和 RTOG。研究了使用具有连贯或混合准则的训练数据的 DL 分割质量。训练有监督的 3D 挤压和激发 SENet-154 模型对两个肠腔描绘指南进行分类。此外，还 使用了具有前列腺癌患者 ( n = 1854) 手动描绘的骨盆 CT 数据集，其中使用商业软件生成了具有股骨头、直肠和膀胱替代指南的数据。该模型在内部 ( n = 200) 和外部测试数据 ( n = 99). 通过使用混合，与连贯的描绘指南训练数据相比，平均 DICE 分数降低了 3% 个单位，平均豪斯多夫距离 (95%) 增加了 5 毫米，平均表面距离 (MSD) 增加了 1 毫米。肠腔检查数据分类达到99.8%的未加权分类准确率、99.9%的宏观平均准确率、97.2%的宏观平均召回率和98.5%的宏观平均F1。骨盆内部测试数据对应指标均在99%以上，骨盆外部测试数据对应指标分别为96.3%、96.6%、93.3%、94.6%。对于具有混合准则的训练数据，观察到分割性能受损。DL描绘分类模型在内部和外部测试数据上取得了优异的成绩。
分享
J Applied Clin Med Phys - 2023 - Lempart - Deep learning‐based classification of organs at risk and delineation guideline.pdf
学习了
99 举报