基于 nnU-Net 的放射治疗分割 QA 的预算感知不确定性
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
准确描绘临床靶体积 (CTV) 对放射治疗规划至关重要，但在诸如总骨髓和淋巴结放疗 (TMLI) 等复杂治疗方案中，此过程耗时且难以评估。虽然深度学习自动分割可减少工作量，但安全的临床部署需要可靠的线索指示模型可能出错的地方。本文提出了基于 nnU-Net 的预算感知不确定性驱动的质量保证 (QA) 框架，结合不确定性量化和后验校准，生成基于预测熵的体素级不确定性图，以指导针对性的人工复审。我们比较了温度缩放 (TS)、深度集成 (DE)、checkpoint 集成 (CE) 和测试时增强 (TTA)，在 TMLI 作为代表性案例上分别和组合评估。通过 ROI 掩码校准指标和不确定性-误差对齐（在现实修订约束下，总结为对最不确定的 0-5% 体素的 AUC）评估可靠性。在各种配置下，分割精度保持稳定，而 TS 显著改善校准。不确定性-误差对齐通过基于校准的 checkpoint 推断获得最大提升，导致不确定性图更一致地突出需要人工编辑的区域。总体而言，将校准与高效集成相结合似乎是为放射治疗分割实施预算感知 QA 工作流程的有前景策略。
引用
@article{arxiv.2604.11798,
title = {Budget-Aware Uncertainty for Radiotherapy Segmentation QA Using nnU-Net},
author = {Ricardo Coimbra Brioso and Lorenzo Mondo and Damiano Dei and Nicola Lambri and Pietro Mancosu and Marta Scorsetti and Daniele Loiacono},
journal= {arXiv preprint arXiv:2604.11798},
year = {2026}
}