融合不确定性感知的自适应放疗同步合成与分割多任务深度学习框架

《IEEE Journal of Biomedical and Health Informatics》：Uncertainty-Aware Simultaneous Synthesis and Segmentation Via Evidential Deep Learning

　　**摘要：**放疗过程中每日的解剖结构变化，需要准确的图像重建与分割来支持自适应治疗。我们提出了一种用于合成与分割的同步证据网络（SENSSE），这是一个深度学习框架，能够从每日锥形束CT（CBCT）或磁共振（MR）图像中同时执行合成CT生成和解剖结构分割，并且能够估计逐体素的不确定性。该架构整合了共享编码器和任务特定解码器，采用联合损失函数进行训练，以促进跨任务监督学习，使分割任务能够以解剖先验知识引导合成任务，合成任务则能以其结构保真度补充分割任务。为提高可解释性，该框架引入了证据推理建模，在单次前向传播中同时估计数据不确定性和模型不确定性，生成空间分布图以突出低置信度区域。这些分布图可用于质量保障，并可为人工复核或自适应阈值提供参考。在头颈部和盆腔数据集上的评估表明，SENSSE在合成性能方面与现有方法具有竞争力，在器官危及区（OAR）分割精度和不确定性校准方面优于确定性方法和基于采样的基线方法。多任务设计提高了解剖一致性并减少了伪影，而具备不确定性感知能力的输出为临床决策提供了额外信息支持。总体而言，该框架为自适应放疗流程提供了一种稳健且高效的解决方案，将多任务学习与不确定性量化相结合，以支持更安全、更科学的自适应治疗。