头颈放疗中用于器官勾画的贝叶斯模型比较

用于放疗中器官勾画的深度学习模型即将进入临床应用，但目前很少有用于预测轮廓自动质量评估（QA）的工具。利用贝叶斯模型及其相关不确定性，有可能使检测不准确预测的这一过程自动化。我们使用一种定量度量——期望校准误差（ECE）和一种定性度量——基于区域的准确率-不确定性（R-AvU）图，研究了两种用于自动勾画的贝叶斯模型：DropOut和FlipOut。众所周知，一个模型应具有低ECE才被视为可信。然而，在QA背景下，模型还应在不准确区域具有高不确定性，在准确区域具有低不确定性。这种行为可将专家用户的视觉注意力引导至潜在不准确区域，从而加快QA过程。利用R-AvU图，我们定性地比较了不同模型在准确与不准确区域中的行为。实验在MICCAI2015头颈分割挑战赛和DeepMindTCIA CT数据集上使用三种模型进行：DropOut-DICE、Dropout-CE（交叉熵）和FlipOut-CE。定量结果显示DropOut-DICE具有最高的ECE，而Dropout-CE和FlipOut-CE具有最低的ECE。为了更好理解DropOut-CE与FlipOut-CE之间的差异，我们使用R-AvU图，其显示FlipOut-CE在不准确区域比DropOut-CE具有更好的不确定性覆盖。这种定量与定性度量的结合探索了一种新方法，有助于选择哪种模型可作为临床环境中的QA工具部署。