使用距离度量自动识别器官风险分割中的失败案例：对 CT 数据的研究

Aug, 2023

使用距离度量自动识别器官风险分割中的失败案例：对 CT 数据的研究

Automated Identification of Failure Cases in Organ at Risk Segmentation Using Distance Metrics: A Study on CT Data

Amin Honarmandi Shandiz, Attila Rádics, Rajesh Tamada, Makk Árpád, Karolina Glowacka...

TL;DR该研究提出了一种通过设定 Dice 距离和 Hausdorff 距离的阈值来自动识别失败案例的方法，以减少手动检查预测输出的耗时任务，从而更快地识别失败案例候选人。该方法在临床专家策划的数据集中的 20 个不同器官的 CT 图像上进行了评估，可以区分不同状态的失败案例，并进行了超过 12 个案例的可视评估。该阈值方法可以扩展到其他器官，从而更快地识别失败案例，提高放射治疗计划的质量。

Abstract

Automated organ at risk (OAR) segmentation is crucial for radiation therapy planning in CT scans, but the generated contours by automated models can be inaccurate, potentially leading to treatment planning issues. The reasons for these inaccuracies could be varied, such as unclear organ boundaries or inaccurate ground truth due to annotation errors. To impro

automated organ at risk segmentation radiation therapy planning failure cases post-processing techniques thresholding approach

发现论文，激发创造

放射治疗中器官风险区划的质量保证

通过使用自动分割技术并引入一类分类器，该研究提出了一种可以高精度检测肿瘤器官轮廓错误的方法，能够显著降低医生对轮廓划定的负担。

May, 2024

CT 和 MRI 扫描中头颈癌患者风险器官的自动分割

该研究使用深度学习技术对头颈癌患者的 MRI 和 CT 扫描图像中的 30 种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。

May, 2024

深度学习在放疗中实现头颈解剖的临床可应用分割

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

基于几何学习的放疗分割误差自动识别

本研究提出了使用卷积神经网络和图神经网络相结合的新型架构，基于自我监督学习的方法，无需基准来自动识别三维器官风险分割中的错误，为放射治疗过程提供了离线质量保证工具，以便识别需要专注于的区域。

Jun, 2022

用于胸部 CT 中多器官分割的二维扩张残差 U-Net

本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

May, 2019

临床情境中的腹部器官分割重思（RAOS）：具有挑战性案例的鲁棒性评估基准

深度学习在腹部多器官分割方面取得了巨大的进展，但在边缘情况和复杂器官上的鲁棒性仍然是一个具有挑战性的问题。为了调查模型的鲁棒性，我们收集并注释了 RAOS 数据集，包括 413 名患者的 413 个 CT 扫描，涵盖了诊断 / 放疗、部分切除和完全切除三个临床组。该数据集可以作为评估模型鲁棒性的潜在基准，并提供了一些在公共数据集中很难获取的器官。我们对几种最先进的方法在这三个临床组中进行了基准测试，评估了性能和鲁棒性，并评估了 RAOS 与三个公共数据集之间的交叉泛化能力。该数据集和综合分析为未来鲁棒性研究提供了一个潜在的基准。

Jun, 2024

多器官分割的形状感知补充任务学习

本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

医学图像分割中维度降低以改善超出分布检测

通过使用马氏距离后处理肝脏磁共振成像的 Swin UNETR 模型的瓶颈特征，通过主成分分析降低瓶颈特征的维度，高效且计算负载最小地检测到了分布外的图像。

Aug, 2023

医学图像分割中故障检测方法的比较基准：揭示置信度聚合的作用

本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架，通过分析我们确定了当前失败检测度量的优点和局限性，并推崇风险覆盖分析作为一种整体评估方法，通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性，我们发现像素置信度聚合的重要性，并且观察到在医学图像分割中，集合预测之间的成对 Dice 分数（Roy 等人，2019）表现优秀，将其定位为简单而稳健的失败检测基准。为了促进持续的研究，我们将基准框架提供给社区使用。

Jun, 2024

放射治疗深度学习分割模型实时监测的质量保证框架

本文利用心脏亚结构分割任务为例，建立了一个深度学习模型质量保证框架，其中通过使用训练自动编码器（DAE）和两个手工设计的特征来开发图像域移位检测器，再利用提取的特征训练回归模型来预测患者关键数据的分割精度，并成功测试了该框架。

May, 2023