深度学习算法的表现在风险的头部和部器官的轮:一个系统的审查和单臂元分析
Peiru Liu1,2, Ying Sun1, Xinzhuo Zhao3
1General Hospital of Northern Theater Command, Department of Radiation Oncology, Shenyang, China.
Biomedical engineering online
|November 2, 2023
概括
深度学习 (DL) 算法在头部和部癌症放射治疗中自动化风险器官 (OARs) 轮,显著提高了准确性和效率. 这一系统审查证实了DL的存在.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 风险器官 (OARs) 轮在头癌放射治疗计划中至关重要,但耗时.
- 深度学习 (DL) 对自动化这个复杂的过程有很大的希望.
研究的目的:
- 系统地审查和元分析DL算法用于头部和部OAR轮的性能.
- 评估DL在OARs轮规划中的优点和局限性.
主要方法:
- 在PubMed,Embase和Cochrane图书馆进行系统的文献搜索.
- 对各种OARs的子相似系数 (DSC) 的元分析.
- 基于图像模式 (CT/MRI) 和图像类型 (2D/3D) 的子组分析.
主要成果:
- 包括22项研究,包括149篇获取的文章.
- 在OAR中报告了高的组合DSC:脑干 (0.87),脊髓 (0.83),下 (0.92),鼻 (0.85).
- 亚组分析显示CT/MRI和2D/3D图像类型的性能相似.
结论:
- 基于DL的自动轮对头部和部OAR至关重要,提高了准确性并减少了工作量.
- DL促进了个性化,标准化和精确的放射治疗.
- 未来的改进取决于高质量的数据集和算法优化.
