基于临床放射治疗 CT 的深度学习脑分割模型性能验证
摘要
医学图像的手动分割工作量大，尤其对于对比度或分辨率较差的图像更具挑战性。疾病的存在会进一步加剧这一问题，增加自动化解决方案的需求。为此，SynthSeg 是一个 designed for various contrasts and resolutions across the brain for automatic segmentation 的稳健深度学习模型。本研究在使用来自 5 个中心的多中心数据集上验证了 SynthSeg 模型。收集了一个开放获取的 260 组 CT 和磁共振成像（MRI）数据集，用于治疗放射治疗患者。使用 SynthSeg 模型获得 CT 和 MRI 脑分割，SynthSeg 是 Freesurfer 成像套件的一个组成部分。这些分割结果使用 Dice 评分和 Hausdorff 95 距离（HD95）进行比较和评估，将 MRI 基于的分割结果视为基准。根据自动化质量控制（QC）得分排除未达到性能标准的脑区。Dice 评分显示中位数重叠度为 0.76（IQR: 0.65-0.83）。中位数 HD95 为 2.95 mm（IQR: 1.73-5.39 mm）。基于 QC 得分的阈值处理将中位数 Dice 提升 0.1，将中位数 HD95 提升 0.05 mm。与 MRI 检测到的性别和年龄相关的形态差异也在 CT 中得到复制，CT 和 MRI 结果之间性别差异约为 17%，年龄差异约为 10%。SynthSeg 可用于 CT 基于的自动脑分割，但仅限于精度不关键的应用。CT 性能低于 MRI 基于于综合 QC 得分，但可通过基于 QC 的阈值处理排除低质量分割。此外，鼓励开展基于 CT 的神经解剖学研究，因为结果显示性别和年龄分析中发现的相关性与 MRI 中发现的类似。
引用
@article{arxiv.2406.17423,
title = {Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT},
author = {Selena Huisman and Matteo Maspero and Marielle Philippens and Joost Verhoeff and Szabolcs David},
journal= {arXiv preprint arXiv:2406.17423},
year = {2024}
}
备注
15 pages, 9 figures, 3 supplementary data csv's, 1 supplementary file with 1 figure