在放射治疗中用于自动细分的深度学习:叙述性审查
Jean-Emmanuel Bibault1,2, Paul Giraud2,3
1Radiation Oncology Department, Georges Pompidou European Hospital, Assistance Publique-Hôpitaux de Paris, Université de Paris Cité, Paris, 75015, France.
The British journal of radiology
|January 24, 2024
概括
深度学习 (DL) 自动化器官细分用于辐射治疗规划,减少手工劳动和可变性. U-net是首选的深度神经网络架构,尽管需要标准化和外部验证.
科学领域:
- 医学成像和辐射瘤学.
- 人工智能在医疗保健中的应用.
- 计算解剖学和图像分析.
背景情况:
- 器官和结构的手动细分对于辐射疗法规划至关重要但费力.
- 手动细分的观察者间变异性可能会对放射治疗结果产生负面影响.
- 深度学习 (DL) 为细分提供了自动化解决方案,提高了效率和一致性.
结论:
- 深度学习显示了在放射治疗规划中自动化细分的重大前景.
- 评估指标的标准化和独立的外部验证对于强大的基准测试至关重要.
- 需要进一步的研究,才能在临床实践中完全整合和验证DL方法.
