Arquitectura U-Net para Segmentación de Próstata: el impacto de la función de pérdida en el rendimiento del sistema
Autores: Montazerolghaem, Maryam; Sun, Yu; Sasso, Giuseppe; Haworth, Annette
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Arquitectura U-Net para Segmentación de Próstata: el impacto de la función de pérdida en el rendimiento del sistema
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Próstata
Segmentación
Modelos de aprendizaje profundo
Funciones de pérdida
Rendimiento
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La segmentación de la glándula prostática a partir de imágenes de resonancia magnética se está convirtiendo rápidamente en un estándar de atención en la planificación del tratamiento de radioterapia del cáncer de próstata. La automatización de este proceso tiene el potencial de mejorar la precisión y la eficiencia. Sin embargo, el rendimiento y la precisión de los modelos de aprendizaje profundo varían según el diseño y la optimización óptima de los hiperparámetros. En este estudio, examinamos el efecto de las funciones de pérdida en el rendimiento de los modelos de segmentación de próstata basados en aprendizaje profundo. Se entrenó un modelo U-Net para la segmentación de próstata utilizando imágenes ponderadas en T2 de un conjunto de datos local y se comparó el rendimiento al utilizar nueve funciones de pérdida diferentes, incluyendo: Entropía Cruzada Binaria (BCE), Intersección sobre Unión (IoU), Dice, BCE y Dice (BCE + Dice), BCE ponderada y Dice (W (BCE + Dice)), Focal, Tversky, Focal Tversky y funciones de pérdida de Superficie. Las salidas del modelo se compararon utilizando varias métricas en un conjunto de validación cruzada de cinco pliegues. Se encontró que la clasificación del rendimiento del modelo dependía de la métrica utilizada para medir el rendimiento, pero en general, W (BCE + Dice) y Focal Tversky tuvieron un buen rendimiento para todas las métricas (coeficiente de similitud de Dice de la glándula entera (DSC): 0.71 y 0.74; 95HD: 6.66 y 7.42; Ravid 0.05 y 0.18, respectivamente) y la función de pérdida de Superficie generalmente ocupó el último lugar (DSC: 0.40; 95HD: 13.64; Ravid -0.09). Al comparar el rendimiento de los modelos para la parte media, ápice y base de la glándula prostática, el rendimiento de los modelos fue menor para el ápice y la base en comparación con la parte media. En conclusión, hemos demostrado que el rendimiento de un modelo de aprendizaje profundo para la segmentación de próstata puede verse afectado por la elección de la función de pérdida. Para la segmentación de próstata, parece que las funciones de pérdida compuestas generalmente superan a las funciones de pérdida únicas como la función de pérdida de Superficie.
Descripción
La segmentación de la glándula prostática a partir de imágenes de resonancia magnética se está convirtiendo rápidamente en un estándar de atención en la planificación del tratamiento de radioterapia del cáncer de próstata. La automatización de este proceso tiene el potencial de mejorar la precisión y la eficiencia. Sin embargo, el rendimiento y la precisión de los modelos de aprendizaje profundo varían según el diseño y la optimización óptima de los hiperparámetros. En este estudio, examinamos el efecto de las funciones de pérdida en el rendimiento de los modelos de segmentación de próstata basados en aprendizaje profundo. Se entrenó un modelo U-Net para la segmentación de próstata utilizando imágenes ponderadas en T2 de un conjunto de datos local y se comparó el rendimiento al utilizar nueve funciones de pérdida diferentes, incluyendo: Entropía Cruzada Binaria (BCE), Intersección sobre Unión (IoU), Dice, BCE y Dice (BCE + Dice), BCE ponderada y Dice (W (BCE + Dice)), Focal, Tversky, Focal Tversky y funciones de pérdida de Superficie. Las salidas del modelo se compararon utilizando varias métricas en un conjunto de validación cruzada de cinco pliegues. Se encontró que la clasificación del rendimiento del modelo dependía de la métrica utilizada para medir el rendimiento, pero en general, W (BCE + Dice) y Focal Tversky tuvieron un buen rendimiento para todas las métricas (coeficiente de similitud de Dice de la glándula entera (DSC): 0.71 y 0.74; 95HD: 6.66 y 7.42; Ravid 0.05 y 0.18, respectivamente) y la función de pérdida de Superficie generalmente ocupó el último lugar (DSC: 0.40; 95HD: 13.64; Ravid -0.09). Al comparar el rendimiento de los modelos para la parte media, ápice y base de la glándula prostática, el rendimiento de los modelos fue menor para el ápice y la base en comparación con la parte media. En conclusión, hemos demostrado que el rendimiento de un modelo de aprendizaje profundo para la segmentación de próstata puede verse afectado por la elección de la función de pérdida. Para la segmentación de próstata, parece que las funciones de pérdida compuestas generalmente superan a las funciones de pérdida únicas como la función de pérdida de Superficie.