基于距离度量的危险器官分割失败案例自动识别：一项基于CT数据的研究
图像与视频处理
2023-08-22 v1 计算机视觉与模式识别
摘要
自动化危险器官(OAR)分割对于CT扫描中的放疗规划至关重要，但自动化模型生成的轮廓可能不准确，可能导致治疗规划问题。这些不准确的原因可能多种多样，例如器官边界不清或因标注错误导致的真值不准确。为提升模型性能，有必要在训练过程中识别这些失败案例，并通过一些潜在的后处理技术加以修正。然而，该过程可能耗时，因为传统上需要人工检查预测输出。本文提出一种通过为Dice距离与Hausdorff距离的组合设定阈值来自动识别失败案例的方法。该方法减少了目视检查预测输出的耗时任务，从而能够更快地识别失败案例候选。该方法在来自临床专家整理数据集的CT图像中6种不同器官的20个案例上进行了评估。通过设定Dice距离与Hausdorff距离的阈值，本研究能够区分失败案例的不同状态，并对超过12个案例进行目视评估。该阈值方法可推广至其他器官，从而实现失败案例的更快识别，进而提升放疗规划的质量。
引用
@article{arxiv.2308.10636,
title = {Automated Identification of Failure Cases in Organ at Risk Segmentation Using Distance Metrics: A Study on CT Data},
author = {Amin Honarmandi Shandiz and Attila Rádics and Rajesh Tamada and Makk Árpád and Karolina Glowacka and Lehel Ferenczi and Sandeep Dutta and Michael Fanariotis},
journal= {arXiv preprint arXiv:2308.10636},
year = {2023}
}
备注
11 pages, 5 figures, 2 tables