一种用于甲状腺分割和剂量评估的多尺度网络，适用于甲状腺功能亢进患者，并具备不确定性量化功能

《MEDICAL PHYSICS》：A multi-scale network for thyroid segmentation and dose assessment in hyperthyroid patients with uncertainty quantification

甲状腺131I吸收剂量多尺度深度学习模型设计与验证，通过引入不确定性量化模块和患者特异性 phantom 建模，实现MIRD方案与Marinelli-Quimby公式的剂量对比分析，有效提升剂量计算精度达6.17%。

　　

摘要

背景

准确评估吸收剂量对于个性化治疗甲状腺功能亢进症至关重要，但在使用医学内照射剂量（MIRD）方案计算¹³¹I的甲状腺剂量时仍存在挑战。需要进一步研究以改进个性化甲状腺模型的图像分割，评估S值计算的不确定性，并比较MIRD方案与Marinelli–Quimby公式之间的剂量估计。

目的

本研究旨在设计一个多尺度深度学习模型，以提高基于MIRD方案的甲状腺功能亢进症患者吸收剂量计算的准确性和可靠性。

方法

为了改进多尺度语义学习和集成，我们在UNet++架构中加入了多尺度残差模块和多头注意力模块。提出了一个基于信息熵的不确定性量化模块，以评估分割置信度并提高可靠性。根据临床分割结果创建了特定于患者的甲状腺体素模型，计算了S值，并评估了总体不确定性。最后，比较了MIRD方案与Marinelli–Quimby公式之间的吸收剂量差异。

结果

在公开可用的头部和颈部器官风险CT及MR分割（HaN-Seg）数据集上的对比实验表明，MSRA-UNet++模型在分割多个器官方面表现出色。具体而言，在甲状腺分割方面，该模型获得了88.23%的Dice相似系数（DSC）和9.43像素的Hausdorff距离95%（HD₉₅）。应用于临床数据集时，Jaccard指数（JI）相比UNet++提高了6.17%。不确定性量化结果显示，甲状腺边缘的不确定性较高，而内部的不确定性较低。根据分割结果创建了特定于患者的模型，并使用蒙特卡洛方法计算了S值。通过放射性碘动力学数据确定了时间积分活性。使用MIRD方案评估了吸收剂量，并与Marinelli–Quimby公式进行了比较，后者平均高估了7.74%的剂量。

结论

所提出的MSRA-UNet++网络提供了带有估计不确定性的分割结果，并提高了准确性。通过将分割不确定性与蒙特卡洛模拟相结合，增强了S值的可靠性。据我们所知，这是首次在甲状腺功能亢进症患者的CT图像分割过程中引入不确定性量化模块的研究。此外，它还将特定于患者的甲状腺体素模型与个体化的放射性碘动力学数据相结合，使用MIRD方案评估吸收剂量，并将结果与Marinelli–Quimby公式进行了比较。代码将发布在https://github.com/410435553。

利益冲突声明

作者声明没有利益冲突。