PSA-Net：基于医师风格感知的术后前列腺癌临床靶区深度学习分割网络
计算机视觉与模式识别
2021-02-17 v1 医学物理
摘要
利用深度学习(DL)算法对医学图像进行自动分割已被证明非常成功。对于大多数此类算法，观察者间差异是一个公认的问题，会导致次优结果。由于图像中缺乏肉眼可见的肿瘤，这一问题在术后临床靶区(post-op CTV)分割中更为显著。本研究以术后CTV分割为试验平台，试图确定医师风格是否一致且可学习、医师风格是否对治疗结果和毒性产生影响，以及如何在DL算法中显式处理医师风格以促进其临床接受度。我们训练了一个分类器，仅根据轮廓和相应的CT扫描来识别由哪位医师勾画的CTV，以确定医师风格是否一致且可学习。接下来，我们基于结果间无差异来评估将自动分割适配到医师风格在临床上是否可行。为建模不同的医师CTV分割风格，提出了一种称为医师风格感知(PSA)分割的概念，其为一个使用感知损失训练的编码器-多解码器网络。利用所提出的医师风格感知网络(PSA-Net)，相较于未做风格适配的通用模型，所有医师的Dice相似系数(DSC)精度平均提升了3.4%。我们表明，在遵循相同分割指南的不同机构之间也存在风格化的勾画差异，并展示了所提方法在适配新机构风格上的有效性。我们观察到，在适配另一机构的风格时，DSC精度提升了5%。
引用
@article{arxiv.2102.07880,
title = {PSA-Net: Deep Learning based Physician Style-Aware Segmentation Network for Post-Operative Prostate Cancer Clinical Target Volume},
author = {Anjali Balagopal and Howard Morgan and Michael Dohopoloski and Ramsey Timmerman and Jie Shan and Daniel F. Heitjan and Wei Liu and Dan Nguyen and Raquibul Hannan and Aurelie Garant and Neil Desai and Steve Jiang},
journal= {arXiv preprint arXiv:2102.07880},
year = {2021}
}