深度学习模型在医学中的泛化性问题及其潜在解决方案：以锥形束计算机断层扫描（CBCT）到计算机断层扫描（CT）图像转换为例

将在一个数据集上训练的深度学习（DL）模型应用于其他数据集时，泛化性是一个值得关注的问题。训练一个在任何地方、任何时间、对任何人都适用的通用模型是不现实的。在这项工作中，我们展示了泛化性问题，然后以锥形束计算机断层扫描（CBCT）到计算机断层扫描（CT）图像转换任务为试验平台，探索基于迁移学习（TL）的潜在解决方案。先前的工作已将CBCT转换为类CT图像。然而，这些工作都只研究了一到两个解剖部位，并使用了同一厂商扫描仪的图像。在此，我们研究为一个机器和一个解剖部位训练的模型在其他机器和其他部位上的表现。我们在一厂商扫描仪获取的头部和颈部癌症患者CBCT图像上训练模型，并将其应用于另一厂商扫描仪的图像和其他疾病部位。我们发现，当将训练好的DL模型应用于另一厂商扫描仪的数据集时，泛化性对此特定应用可能是一个显著问题。然后我们探索了基于TL的三种实用解决方案来解决该泛化问题：目标模型，从零开始在目标域上训练；组合模型，从零开始在两个源域和目标域数据集上训练；适配模型，对训练好的源模型进行微调以适应目标域。我们发现，当目标域中有充足数据时，三种模型都能取得良好性能。当目标数据集有限时，适配模型表现最佳，这表明使用微调策略将训练好的模型适配到未见过的目的域数据集是临床上部署DL模型的一种可行且简便的方法。