有意深度过拟合学习(IDOL)：一种用于自适应放射治疗的新型深度学习策略
机器学习
2022-04-06 v1 计算机视觉与模式识别
图像与视频处理
摘要
在本研究中，我们提出了一种针对患者个体性能的定制 DL 框架，其利用 intentionally 过拟合到患者特定训练数据集的模型行为，该数据集由 ART 工作流中可用的先验信息增强而来——我们将此方法称为有意深度过拟合学习(Intentional Deep Overfit Learning, IDOL)。在放疗的任何任务中实施 IDOL 框架包括两个训练阶段：1) 如同常规 DL 方法，用 N 名患者的多样化训练集训练一个泛化模型；2) 将此泛化模型有意过拟合到由可用任务及患者特定先验信息通过扰动与增强生成的、关于目标患者(N+1)的小训练集，以建立个性化 IDOL 模型。IDOL 框架本身与任务无关，因此可广泛用于 ART 工作流的许多环节，我们在此以三个作为概念验证：传统 ART 中重新计划 CT 的自动勾画任务、MRI 引导 ART 的 MRI 超分辨率(SR)任务，以及仅 MRI 的 ART 的合成 CT(sCT)重建任务。在重新计划 CT 自动勾画任务中，采用 IDOL 模型后由 Dice 相似系数衡量的准确率从通用模型的 0.847 提升至 0.935。在 MRI SR 中，相较常规模型，IDOL 框架使平均绝对误差(MAE)改善了 40%。最后，在 sCT 重建任务中，利用 IDOL 框架使 MAE 从 68 HU 降至 22 HU。
引用
@article{arxiv.2104.11401,
title = {Intentional Deep Overfit Learning (IDOL): A Novel Deep Learning Strategy for Adaptive Radiation Therapy},
author = {Jaehee Chun and Justin C. Park and Sven Olberg and You Zhang and Dan Nguyen and Jing Wang and Jin Sung Kim and Steve Jiang},
journal= {arXiv preprint arXiv:2104.11401},
year = {2022}
}