基于临床可用标注的宫颈癌放射治疗中危险器官的临床可接受分割
图像与视频处理
2023-02-22 v1 计算机视觉与模式识别
摘要
深度学习模型受益于使用大型数据集（有标注或无标注）进行训练。基于这一动机，我们提出一种方法，从包含数据异质性、标注噪声和缺失标注的大型临床可用计算机断层扫描（CT）数据集中学习用于宫颈癌放射治疗中危险器官（OARs）自动分割的深度学习模型。我们采用简单的启发式方法进行自动数据清洗，以最小化数据异质性和标注噪声。此外，我们开发了一种利用教师-学生框架、标注插补和不确定性引导训练的半监督学习方法，以在存在缺失标注的情况下进行学习。我们的实验结果表明，尽管数据中存在缺失标注，使用我们的方法从大型数据集学习仍能在测试性能上带来显著提升。进一步，由我们模型预测的分割掩码生成的轮廓被发现与人工生成的轮廓具有同等的临床可接受性。
引用
@article{arxiv.2302.10661,
title = {Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations},
author = {Monika Grewal and Dustin van Weersel and Henrike Westerveld and Peter A. N. Bosman and Tanja Alderliesten},
journal= {arXiv preprint arXiv:2302.10661},
year = {2023}
}
备注
submitted to MIDL 2023 conference