原題
Generalizability of deep learning in organ-at-risk segmentation: A transfer learning study in cervical brachytherapy.
背景:深層学習は、描写を自動化することによって放射線治療を支援することができる。しかし、その有効性は設定によって異なり、適応可能で堅牢なモデルが必要である。本研究では、頚部小線源治療におけるリスク臓器(OAR)の自動セグメンテーションにおける深層学習モデルの一般化可能性を高めるための転移学習(TL)の有効性を検討した。
方法:3T磁気共鳴(MR)スキャナーでの120回のスキャンを用いて、事前に訓練されたモデルを作成した。4つのOARをセグメント化し、評価した。モデルを3つの標的群で微調整し、それらの結果を比較した。
結果:転移学習は、ターゲットグループ間のセグメント化精度を向上させ、最初の5回の微調整スキャン内で大幅な改善が観察された。「混合」モデルは、目に見えないデータに対してより優れたパフォーマンスを発揮する。
結論:転移学習は、臓器セグメンテーションにおけるモデルの一般化可能性を改善し、より少ないデータとより少ない訓練時間を必要とし、臨床設定に適した柔軟なモデルを開発するための強固な基盤を提供する。
Journal: Radiother Oncol (CiteScore 2022: 10.5)
DOI: 10.1016/j.radonc.2024.110332
PMID: 38763356
Open Access
コメント