基于几何学习自动识别放疗中的分割错误
计算机视觉与模式识别
2022-06-28 v1 人工智能
摘要
利用卷积神经网络（CNNs）在CT扫描中自动分割危险器官（OARs）正被引入放疗工作流程。然而，这些分割结果在临床使用前仍需要临床医生进行手动编辑和审核，这可能非常耗时。本工作的目的是开发一种无需真实标签即可自动识别三维OAR分割错误的工具。我们的工具采用一种结合CNN和图神经网络（GNN）的新颖架构，以利用分割的外观和形状。所提出的模型使用自监督学习在合成的腮腺分割数据集上进行训练，该数据集包含真实的勾画错误。我们通过消融实验评估模型的有效性，考察架构不同部分的效果以及从无监督前置任务进行迁移学习的效用。我们性能最佳的模型在腮腺上预测内部和外部错误的精确率分别为85.0%和89.7%，召回率分别为66.5%和68.6%。这种离线质量保证工具可用于临床路径中，通过检测需要临床医生关注的区域，潜在地减少其修正轮廓所花费的时间。我们的所有代码已在 https://github.com/rrr-uom-projects/contour_auto_QATool 公开。
引用
@article{arxiv.2206.13317,
title = {Automatic identification of segmentation errors for radiotherapy using geometric learning},
author = {Edward G. A. Henderson and Andrew F. Green and Marcel van Herk and Eliana M. Vasquez Osorio},
journal= {arXiv preprint arXiv:2206.13317},
year = {2022}
}
备注
Accepted in 25th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2022). This preprint has not undergone peer review or any post-submission improvements or corrections