Toxicity Prediction in Pelvic Radiotherapy Using Multiple Instance Learning and Cascaded Attention L

最新推荐文章于 2024-10-31 17:05:07 发布

每天吃的很好的Ruby

最新推荐文章于 2024-10-31 17:05:07 发布

阅读量1.1k

点赞数 26

文章标签： transformer 人工智能深度学习

本文链接：https://blog.csdn.net/weixin_49983968/article/details/142644774

版权

Toxicity Prediction in Pelvic Radiotherapy Using Multiple Instance Learning and Cascaded Attention Layers文献笔记

基本信息

原文链接：Toxicity Prediction in Pelvic Radiotherapy Using Multiple Instance Learning and Cascaded Attention Layers | IEEE Journals & Magazine | IEEE Xplore

目的：分析接受盆腔放疗的患者的毒性关系（探索患者的剂量分布和CT图像以及肠急症毒性严重程度之间的关系，以预测盆腔放疗患者≥2级肠急症毒性）

方法：基于多实例学习的卷积神经网络；提出了一种新的机制，用于独立地分离对空间和剂量/成像特征的注意力，以便更好地解释毒性的分布情况。

数据集

横断面研究队列包括315例2009年至2014年间在英国利兹癌症中心接受3d适形放疗(n=307)或强度调制放疗(n=8)治疗的肛门、直肠、子宫颈癌和子宫内膜癌患者。数据集包括每个患者的放疗剂量分布、CT扫描和结构集文件。所有患者均按照RTOG指南进行肠腔结构轮廓(“肠袋”)

采用经验证的欧洲癌症研究与治疗组织(EORTC)生活质量问卷对患者报告的肠急症进行评估;“当你想要拉肚子的时候，是不是一定要急着上厕所?”回答使用的是顺序刻度:0:“一点也不”;1:“一点点”;2:“相当多”;3:“very much”。

将患者分为两类;中度/重度毒性≥2级(85例)，无/轻度毒性< 2级(164例)。为简单起见，我们将≥2级的患者称为肠急症患者，将< 2级的患者称为无肠急症毒性患者。

数据预处理

对于168名患者，由于不同的治疗计划系统，每个患者有多个剂量分布，每个剂量分布代表用于治疗的2-7个放射束中的一个。我们将这些光束剂量分布合并为单一剂量分布，以计算个体患者的全部治疗。由于所有剂量分布都具有相同的坐标系，因此组合可以简单地通过将所有单剂量处理相加来计算。对CT和剂量图像进行线性插值空间重采样，体素尺寸为0.97 mm × 0.97 mm，体素厚度为5 mm。将每个输入数据分成维度为[6,32,32]体素的更小的立方体。

具体方法

该网络由两个输入编码器组成，每个编码器分别从CT和剂量分布中提取重要特征。

1、MIL卷积神经网络

作者们使用MIL并将每个输入(CT和剂量)分开成更小的三维立方体，这大大减少了时间和内存的复杂性，并提供了一个利用这两种模式的模型。

2.级联注意模块与毒性的解释

为了增加可解释性，本文提出了一种新的两个注意力模块的级联协同作用，以解开特征和成像空间上的注意力权重。对于每个患者，网络生成两个毒性风险图：一种是强调总体高风险区域，在这些区域中，患者的声压增益和接受的剂量的组合驱动毒性风险，另一种是解释CT和剂量如何触发网络的决策。

（1）输入：包： $X^{(K)}=\{ X_{1,i},X_{2,i},...,X_{K,i}\}$ ,其中K代表一个包里有K个实例，每个实例为一个三维张量

（2）将输入通过实例级别的编码器，其输出为 $h_{k,i}=f_{\theta_i}(X_{k,i})$ ,其输出就是从输入i的立方体k中提取的特征向量

（3）计算每个通道的注意力权值（第一个注意力模块）

（4）计算立方体k提取的总特征向量为:：

（5）然后，通过第二个注意力模块计算注意力权值：

对应的特征向量就为：

（6）分类：

$y=g_{\phi}(s)$

（7）损失

实验

实验设置

编码器由两个3D卷积层组成，每个层都有maxpooling和batchnorm层。两个卷积层分别使用30和50个卷积滤波器，核大小为(2,3,3)。采用学习率为1e−4的Adam优化。我们为两个注意模块设置p, d = 512

数据集划分

训练集和测试集：随机选择20例有肠急症患者和20例无肠急症患者作为测试集，其余(209例)用于训练。

验证集：20名患者(约占训练数据集的10%)

训练集的数据增强：随机对65例毒性患者施加平均值为零、标准差为0.1的加性高斯噪声和每轴5 mm sigma的平滑递归高斯噪声。两种滤波器均采用SimpleITK Python工具箱(Version 2.1.1)中的滤波器进行三维图像分析。在原始分辨率下(数据预处理前)对CT和剂量分布进行增强。

值得注意的是，为了减少复杂度，在训练前，作者先使用迁移学习来分别学习两个编码器。