用于放疗头颈解剖结构临床适用分割的深度学习
计算机视觉与模式识别
2021-01-14 v3 机器学习
神经与进化计算
医学物理
机器学习
摘要
全球每年有超过五十万人被诊断为头颈癌。放疗是该疾病重要的根治性治疗手段，但需要手动耗时地勾画放射敏感的危险器官（OARs）。该规划过程会延迟治疗，同时引入操作者间的变异性并导致下游辐射剂量差异。尽管自动分割算法提供了一种潜在的省时方案，但在定义、量化和达到专家性能方面的挑战依然存在。采用深度学习方法，我们展示了一种3D U-Net架构，其在勾画临床实践中常规分割的21个不同头颈OARs时达到专家级性能。该模型在663例常规临床实践中获取的脱敏计算机断层扫描（CT）扫描数据集上训练，其分割既来自临床实践，也包括由经验丰富的放射技师作为本研究一部分创建的分割，均依据共识OAR定义。我们通过在21例临床实践CT扫描的测试集上评估模型性能来展示其临床适用性，每例均由两位独立专家分割21个OARs。我们还引入表面Dice相似系数（surface DSC），一种用于器官勾画比较的新度量，以量化OAR表面轮廓而非体积之间的偏差，更好地反映纠正自动器官分割错误的临床任务。随后在两个不同的开源数据集上展示了模型的泛化能力，这些数据集来自不同于模型训练的中心和国家。在适当的验证研究和监管批准后，该系统可改善放疗路径的效率、一致性和安全性。
引用
@article{arxiv.1809.04430,
title = {Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy},
author = {Stanislav Nikolov and Sam Blackwell and Alexei Zverovitch and Ruheena Mendes and Michelle Livne and Jeffrey De Fauw and Yojan Patel and Clemens Meyer and Harry Askham and Bernardino Romera-Paredes and Christopher Kelly and Alan Karthikesalingam and Carlton Chu and Dawn Carnell and Cheng Boon and Derek D'Souza and Syed Ali Moinuddin and Bethany Garie and Yasmin McQuinlan and Sarah Ireland and Kiarna Hampton and Krystle Fuller and Hugh Montgomery and Geraint Rees and Mustafa Suleyman and Trevor Back and Cían Hughes and Joseph R. Ledsam and Olaf Ronneberger},
journal= {arXiv preprint arXiv:1809.04430},
year = {2021}
}