挖掘领域知识：面向放疗解剖结构命名自动标准化的改进框架
计算机视觉与模式识别
2020-05-12 v3
摘要
放疗（RT）临床数据中解剖结构命名的自动标准化是大数据与人工智能时代数据整理和数据驱动研究的关键前提，但目前尚无法满足。现有方法要么无法处理跨机构数据集，要么受困于临床 RT 数据集中的严重不平衡与低质量勾画。为解决这些问题，我们提出一种自动结构命名标准化框架——带投票的 3D 非局部网络（3DNNV）。该框架由改进的数据处理策略（即带投票的自适应采样与自适应裁剪（ASAC））和优化的特征提取模块组成。该框架模拟临床医生的领域知识与识别机制，比其他方法更好地识别数据严重不平衡的小体积危险器官（OARs）。我们使用一个开源头颈癌数据集的部分数据训练模型，随后在三个跨机构数据集上测试模型以证明其泛化性。3DNNV 优于基线模型，在三个测试数据集上各类别平均真阳性率（TPR）更高（分别 +8.27%、+2.39% 和 +5.53%）。更重要的是，在仅含 9 个训练样本的小体积 OAR 上，3DNNV 在 F1 分数上以 91.17% 对 28.63% 优于基线测试数据集。结果表明 3DNNV 可应用于识别 OARs，甚至是易出错的 OARs。此外，我们讨论了该框架在实际场景中的局限性与适用性。我们开发的框架可协助标准化结构命名，以促进癌症放疗中的数据驱动临床研究。
引用
@article{arxiv.1912.02084,
title = {Mining Domain Knowledge: Improved Framework towards Automatically Standardizing Anatomical Structure Nomenclature in Radiotherapy},
author = {Qiming Yang and Hongyang Chao and Dan Nguyen and Steve Jiang},
journal= {arXiv preprint arXiv:1912.02084},
year = {2020}
}
备注
15 pages, 8 figures