一种用于放疗中深度学习分割模型实时监测的质量保证框架
图像与视频处理
2023-05-22 v1 计算机视觉与模式识别
医学物理
摘要
为了在临床中安全部署深度学习模型，需要一种质量保证框架，用于在没有真实轮廓的情况下对输入域偏移及模型性能进行常规或持续监测。本工作以心脏亚结构分割为例任务来建立 QA 框架。收集了包含 241 名患者计算机断层扫描 (CT) 图像及手动心脏勾画的基准数据集，包括一个“常见”图像域和五个“不常见”域。在基准数据集上测试分割模型，以初步评估模型能力与局限。利用训练好的去噪自编码器 (DAE) 和两个手工设计特征开发了图像域偏移检测器。另训练了一个变分自编码器 (VAE) 以估计自动分割结果的形状质量。以图像/分割对提取的特征为输入，训练回归模型预测每例患者的分割精度，以 Dice 系数相似度 (DSC) 衡量。该框架在 19 个分割模型上测试以评估整体框架的泛化性。结果显示，回归模型预测的 DSC 平均绝对误差 (MAE) 介于 0.036 至 0.046，平均 MAE 为 0.041。在基准数据集上测试时，所有分割模型性能未受扫描参数（FOV、层厚和重建核）显著影响。对于含泊松噪声的输入图像，基于 CNN 的分割模型 DSC 下降 0.07 至 0.41，而基于 transformer 的模型未受显著影响。
引用
@article{arxiv.2305.11715,
title = {A quality assurance framework for real-time monitoring of deep learning segmentation models in radiotherapy},
author = {Xiyao Jin and Yao Hao and Jessica Hilliard and Zhehao Zhang and Maria A. Thomas and Hua Li and Abhinav K. Jha and Geoffrey D. Hugo},
journal= {arXiv preprint arXiv:2305.11715},
year = {2023}
}