基于医学图像的宫癌细分:一篇文献综述
Xiu Wang1, Chaolu Feng2,3, Mingxu Huang3
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Quantitative imaging in medicine and surgery
|July 18, 2024
概括
本综述全面分析了临床目标体积 (CTV) 概述和风险器官的宫癌细分方法. 它强调深度学习和传统方法,确定挑战和未来的研究方向,以提高准确性.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
- 放射治疗规划 放射治疗规划
背景情况:
- 宫癌临床目标体积 (CTV) 和风险器官的准确细分对于治疗至关重要.
- 手动细分是耗时和主观的,需要自动化方法.
- 现有的自动化方法由于图像质量,器官运动和患者的变化而面临挑战.
研究的目的:
- 对宫癌的医学图像细分技术进行全面的文献审查.
- 分析和比较传统和基于深度学习的细分方法.
- 讨论目前的状况,挑战和子宫癌细分的未来研究方向.
主要方法:
- 在Google Scholar,PubMed和Web of Science上进行了系统的文献搜索.
- 研究的重点是使用CT,MR和PET图像对宫癌的细分.
- 方法按成像模式进行分类,描述和分析传统和深度学习方法.
主要成果:
- 分段方法分为传统的和深度学习的方法.
- 分析揭示了各种技术的相似之处,差异,优势和局限性.
- 实验结果表明,残留和挤压激发模块提高了模型性能,改进的水平设置方法显示出更高的准确性.
结论:
- 该审查为最先进的宫癌细分提供了宝贵的见解.
- 确定的挑战包括图像质量,运动和患者间的变化.
- 未来的研究应该专注于解决这些挑战,以提高细分精度和临床适用性.
