ترجمه فارسی مقاله ارزیابی عملکرد کمی و بررسی تخصصی چند چارچوب مبتنی بر یادگیری عمیق برای قطعه‌بندی خودکار اندام شکمی مبتنی بر توموگرافی کامپیوتری

چکیده

Segmentation of abdominal organs in clinical oncological workflows is crucial for ensuring effective treatment planning and follow-up. However, manually generated segmentations are time-consuming and labor-intensive in addition to experiencing inter-observer variability. Many deep learning (DL) and Automated Machine Learning (AutoML) frameworks have emerged as a solution to this challenge and show promise in clinical workflows. This study presents a comprehensive evaluation of existing AutoML frameworks (Auto3DSeg, nnU-Net) against a state-of-the-art non-AutoML framework, the Shifted Window U-Net Transformer (SwinUNETR), each trained on the same 122 training images, taken from the Abdominal Multi-Organ Segmentation (AMOS) grand challenge. Frameworks were compared using Dice Similarity Coefficient (DSC), Surface DSC (sDSC) and 95th Percentile Hausdorff Distances (HD95) on an additional 72 holdout-validation images. The perceived clinical viability of 30 auto-contoured test cases were assessed by three physicians in a blinded evaluation. Comparisons show significantly better performance by AutoML methods. nnU-Net (average DSC: 0.924, average sDSC: 0.938, average HD95: 4.26, median Likert: 4.57), Auto3DSeg (average DSC: 0.902, average sDSC: 0.919, average HD95: 8.76, median Likert: 4.49), and SwinUNETR (average DSC: 0.837, average sDSC: 0.844, average HD95: 13.93). AutoML frameworks were quantitatively preferred (13/13 OARs p>0.0.5 in DSC and sDSC, 12/13 OARs p>0.05 in HD95, comparing Auto3DSeg to SwinUNETR, and all OARs p>0.05 in all metrics comparing SwinUNETR to nnU-Net). Qualitatively, nnU-Net was preferred over Auto3DSeg (p=0.0027). The findings suggest that AutoML frameworks offer a significant advantage in the segmentation of abdominal organs, and underscores the potential of AutoML methods to enhance the efficiency of oncological workflows.

چکیده به فارسی (ترجمه ماشینی)

تقسیم اندام های شکم در جریان کار انکولوژیک بالینی برای اطمینان از برنامه ریزی درمانی و پیگیری مؤثر بسیار مهم است.با این حال ، بخش های تولید شده به صورت دستی علاوه بر تجربه تنوع بین مشاهده ای ، وقت گیر و پر کار هستند.بسیاری از چارچوب های یادگیری عمیق (DL) و خودکار یادگیری ماشین (AUTOML) به عنوان راه حلی برای این چالش ظاهر شده و نوید را در گردش کار بالینی نشان می دهند.این مطالعه یک ارزیابی جامع از چارچوب های Automl موجود (AUTO3DSEG ، NNU-NET) را در برابر یک چارچوب پیشرفته غیر خودکار ، ترانسفورماتور U-Net پنجره تغییر یافته (Swinuneter) ارائه می دهد ، که هر یک در همان 122 تصویر آموزشی آموزش دیده اند، گرفته شده از چالش بزرگ تقسیم بندی چند اندام (AMOS).چارچوب ها با استفاده از ضریب شباهت تاس (DSC) ، سطح DSC (SDSC) و مسافت 95 صدک Hausdorff (HD95) در 72 تصویر اعتبار سنجی اضافی مقایسه شدند.زنده ماندن بالینی درک شده از 30 مورد آزمایشی کاشته شده توسط سه پزشک در یک ارزیابی کور ارزیابی شد.مقایسه ها با روش های AUTOM عملکرد قابل توجهی بهتر نشان می دهند.NNU-NET (میانگین DSC: 0.924 ، میانگین SDSC: 0.938 ، میانگین HD95: 4.26 ، لیکرت متوسط: 4.57) ، AUTO3DSEG (متوسط ​​DSC: 0.902 ، متوسط ​​SDSC: 0.919 ، میانگین HD95: 8.76 ، MEDIAN: 4.49) و SWINUNETER(متوسط ​​DSC: 0.837 ، متوسط ​​SDSC: 0.844 ، میانگین HD95: 13.93).چارچوب های Automl از نظر کمی ترجیح داده شد (13/13 OARS P> 0.0.5 در DSC و SDSC ، 12/13 OARS P> 0.05 در HD95 ، مقایسه Auto3Dseg با Swinunetr ، و تمام Oars P> 0.05 در مقایسه با Swinununetr با nnu-net).از نظر کیفی ، NNU-NET بیش از Auto3DSEG (P = 0.0027) ترجیح داده شد.این یافته ها حاکی از آن است که چارچوب های AUTOML در تقسیم اندام های شکم از مزیت قابل توجهی برخوردار هستند و پتانسیل روش های AUTOML را برای افزایش کارآیی گردش کار انکولوژیک تأکید می کند.