利用临床可用勾画进行放疗计划中的基于CNN的分割
机器学习
2019-11-13 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）已被广泛且成功地用于医学图像分割。然而，CNNs通常被认为需要大量专门的专家勾画训练体数据，这在实际应用中可能成为限制。本研究探讨了在影像归档与通信系统（PACS）中 readily available 的临床勾画是否可作为训练CNN用于放疗计划中危险器官（OARs）分割的潜在数据来源。在此类数据中，可能缺少被认为与目标临床用途无关的结构的勾画。为克服该问题，我们采用多标签而非多类分割。我们通过经验评估了多少临床勾画足以训练CNN进行OARs分割，发现将训练集规模增加到有限数量图像之外会导致收益急剧递减。此外，我们发现通过使用多标签分割，参考标准中缺失的结构不会对整体分割精度产生负面影响。这些结果表明，临床工作流中获得的分割可用于训练准确的OAR分割模型。
引用
@article{arxiv.1911.04967,
title = {Exploiting Clinically Available Delineations for CNN-based Segmentation in Radiotherapy Treatment Planning},
author = {Louis D. van Harten and Jelmer M. Wolterink and Joost J. C. Verhoeff and Ivana Išgum},
journal= {arXiv preprint arXiv:1911.04967},
year = {2019}
}
备注
SPIE Medical Imaging 2020