Quality assurance of organs-at-risk delineation in radiotherapy

在放疗治疗计划中，肿瘤靶区和危及器官的划分至关重要。自动分割可以减轻医生的工作量并提高一致性。然而，自动分割的质量保证在临床实践中仍然是一个未被满足的需求。我们研究中使用的患者数据是AAPM胸部自动分割挑战赛的标准化数据集。包括的危及器官是左右肺、心脏、食管和脊髓。我们生成了两组危及器官数据集，一组是由经验丰富的医生手动轮廓标注的基准数据集，另一组是使用软件AccuContour自动创建的测试数据集。我们使用resnet-152网络作为特征提取器，并使用单类支持向量分类器来确定高质量或低质量。我们使用平衡准确度、F分数、灵敏度、特异度和接收操作特征曲线下面积等指标来评估模型性能。我们随机生成轮廓误差来评估我们方法的泛化性，探索检测限，评估检测限与体积、Dice相似系数、Hausdorff距离和平均表面距离等各种指标之间的相关性。所提出的单类分类器在平衡准确度、AUC等指标方面表现优异。所提出的方法在处理各种类型的误差方面显示出比二元分类器更显著的改进。我们提出的模型，在单类分类框架中引入了残差网络和注意机制，能够高精度地检测各种类型的危及器官轮廓误差。所提出的方法可以显著减轻医生对轮廓划分的审查负担。

论文旨在解决自动分割的质量保证问题，以降低医生工作量并提高一致性。具体而言，论文研究如何使用一类支持向量分类器来检测自动分割中的器官轮廓错误。

论文提出了一种利用残差网络和注意力机制的一类支持向量分类器，能够高精度地检测不同类型的器官轮廓错误，并且相比于二元分类器有更好的表现。

论文使用了AAPM Thoracic Auto-Segmentation Challenge的标准数据集进行实验，并评估了模型在多个指标上的表现。实验结果表明，论文提出的方法在平衡准确率、AUC等方面表现出色，并能有效降低医生对轮廓分割的检查负担。

近期相关研究包括：1.基于深度学习的自动分割方法的研究；2.利用一类支持向量分类器进行异常检测的研究。