原題
Comprehensive Clinical Usability-oriented Contour Quality Evaluation for Deep learning Auto-segmentation: Combining Multiple Quantitative Metrics through Machine Learning.
背景:自動セグメント化された輪郭を評価するための現在のメトリックは、臨床関連性に限界がある。本研究では、深層学習に基づく自動セグメンテーション(DLAS)における臨床的有用性を高めることを目的とした新しい輪郭品質分類(CQC)法を提案した。
方法:CQCは、5つの腹部臓器の50のMRIデータセットでトレーニングされた7つの定量的メトリックを使用して、輪郭を許容可能、マイナー編集、またはメジャー編集に分類する。追加のMRIおよびCTデータセットを試験に利用し、6人の観察者間で観察者間変動を評価した。
結果:CQCは高い精度(最大95.8%)を達成し、従来の閾値法よりも優れており、観察者間の結果と密接に一致していた。
結論:CQCは、自動セグメンテーション品質のための堅牢で臨床的に適切な評価フレームワークを提供する。
Journal: Pract Radiat Oncol (CiteScore 2022: 4.6)
DOI: 10.1016/j.prro.2024.07.007
PMID: 39233005
コメント