ディープラーニングベースの頭頸部腫瘍のセグメンテーションのための確率マップ：グラフィカルユーザーインターフェイスの設計とテスト

背景：イメージングのモダリティ、スキャナー、および獲得パラメーター全体にわたる頭頸部がんの異なる腫瘍出現は、手動腫瘍セグメンテーションタスクの非常に主観的な性質を説明しています。手動の輪郭の変動性は、一般化可能性の欠如とディープラーニング（DL）ベースの腫瘍自動セグメンテーションモデルの最適後性能の原因の1つです。したがって、出力が1つの固定輪郭の代わりに確率マップの形で出力を出力するDLベースの方法が開発されました。この研究の目的は、腫瘍セグメンテーションのためのDL生成確率マップが臨床的に関連し、直感的であり、頭頸部がん患者のPET-CT画像の肉眼的腫瘍体積セグメンテーションにおける放射線腫瘍医を支援するためのより適切なソリューションであることを示すことでした。 方法：グラフィカルユーザーインターフェイス（GUI）が設計され、ユーザーが腫瘍確率マップと対話できるようにプロトタイプが開発されました。さらに、腫瘍描写の9人の専門家がインターフェイスプロトタイプとその機能と相互作用したユーザー調査が実施されました。参加者の経験は、定性的かつ定量的に評価されました。 結果：放射線腫瘍医へのインタビューは、虹色のコロマップを使用して輪郭中に腫瘍の確率マップを視覚化することを好むことを明らかにしました。また、スライダー機能を高く評価しました。スライダー機能は、しきい値の値を選択して、編集および使用のための単一の輪郭を作成し、出発点として使用できるようにすることで相互作用を促進しました。プロトタイプに関するフィードバックは、その優れた使いやすさと臨床ワークフローへの積極的な統合を強調しました。 結論：この研究は、DL生成された腫瘍確率マップが説明可能で、透明で、直感的であり、腫瘍セグメンテーションモデルの単一出力に代わるより良い代替であることを示しています。

BACKGROUND: The different tumor appearance of head and neck cancer across imaging modalities, scanners, and acquisition parameters accounts for the highly subjective nature of the manual tumor segmentation task. The variability of the manual contours is one of the causes of the lack of generalizability and the suboptimal performance of deep learning (DL) based tumor auto-segmentation models. Therefore, a DL-based method was developed that outputs predicted tumor probabilities for each PET-CT voxel in the form of a probability map instead of one fixed contour. The aim of this study was to show that DL-generated probability maps for tumor segmentation are clinically relevant, intuitive, and a more suitable solution to assist radiation oncologists in gross tumor volume segmentation on PET-CT images of head and neck cancer patients. METHOD: A graphical user interface (GUI) was designed, and a prototype was developed to allow the user to interact with tumor probability maps. Furthermore, a user study was conducted where nine experts in tumor delineation interacted with the interface prototype and its functionality. The participants' experience was assessed qualitatively and quantitatively. RESULTS: The interviews with radiation oncologists revealed their preference for using a rainbow colormap to visualize tumor probability maps during contouring, which they found intuitive. They also appreciated the slider feature, which facilitated interaction by allowing the selection of threshold values to create single contours for editing and use as a starting point. Feedback on the prototype highlighted its excellent usability and positive integration into clinical workflows. CONCLUSIONS: This study shows that DL-generated tumor probability maps are explainable, transparent, intuitive and a better alternative to the single output of tumor segmentation models.