用于头颈部淋巴结区自动勾画的深度学习提供专家级精度
图像与视频处理
2023-03-03 v2 计算机视觉与模式识别
摘要
背景：基于深度学习(DL)的头颈部淋巴结区(HN_LNL)自动勾画与放疗研究及临床治疗计划高度相关，但在学术文献中仍研究不足。方法：使用由35例计划CT组成的专家勾画队列训练 nnU-net 3D-fullres/2D-ensemble 模型，用于20个不同 HN_LNL 的自动分割。同一机构稍后采集的第二队列作为测试集(n=20)。在完全盲法评估中，3名临床专家在头对头比较中对 DL 自动分割与专家勾画轮廓的质量进行评分。对于10例的子组，将观察者内变异与 DL 自动分割在原始及重新勾画的专家分割集合上的平均精度进行比较。引入了将淋巴结区自动分割的颅尾边界调整至CT切片的步骤，并研究了其对几何精度与专家评分的影响。结果：DL 分割与专家勾画轮廓的盲法专家评分无显著差异。带切片平面调整的 DL 分割评分数值上更高(均值81.0 vs. 79.6, p=0.185)，而无切片平面调整的 DL 分割评分数值上更低(77.2 vs. 79.6, p=0.167)于手动勾画轮廓。带CT切片平面调整的 DL 分割评分显著优于无切片平面调整的 DL 轮廓(81.0 vs. 77.2, p=0.004)。DL 分割的几何精度与观察者内变异无差异(均值0.76 vs. 0.77, p=0.307)。结论：我们表明 nnU-net 3D-fullres/2D-ensemble 模型可用于 HN_LNL 的高精度自动勾画，仅使用有限的训练数据集，非常适合于研究环境中 HN_LNL 的大规模标准化自动勾画。
引用
@article{arxiv.2208.13224,
title = {Deep learning for automatic head and neck lymph node level delineation provides expert-level accuracy},
author = {Thomas Weissmann and Yixing Huang and Stefan Fischer and Johannes Roesch and Sina Mansoorian and Horacio Ayala Gaona and Antoniu-Oreste Gostian and Markus Hecht and Sebastian Lettmaier and Lisa Deloch and Benjamin Frey and Udo S. Gaipl and Luitpold V. Distel and Andreas Maier and Heinrich Iro and Sabine Semrau and Christoph Bert and Rainer Fietkau and Florian Putz},
journal= {arXiv preprint arXiv:2208.13224},
year = {2023}
}
备注
14 pages, 6 figures, published in Frontiers in Oncology