人工智能在放射瘤学中的原理
Yixing Huang1,2, Ahmed Gomaa3,4, Daniel Höfler3,4
1Department of Radiation Oncology, Universitätsklinikum Erlangen, Friedrich-Alexander Universität Erlangen-Nürnberg, 91054, Erlangen, Germany. yixing.huang@uk-erlangen.de.
概括
本综述解释了深度学习 (DL) 对于放射性瘤学专业人员的核心原则. 它涵盖了主要的DL模型和培训方法,以提高AI在临床实践中的理解.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 辐射瘤学的深度学习
背景情况:
- 有大量关于人工智能 (AI) 应用的文献,特别是深度学习 (DL).
- 缺乏对辐射瘤学DL原则的清晰,易于理解的解释.
- 这篇评论弥合了人工智能技术和临床辐射瘤学之间的差距.
研究的目的:
- 为辐射瘤学量身定制的深度学习原则提供全面指南.
- 以临床医生可以理解的方式阐明DL的技术方面.
- 促进在放射性瘤学实践中采用基于人工智能的工具.
主要方法:
- 在更广泛的AI领域内,专注于深度学习方法的审查.
- 强调主要的深度学习模型类别和有效的培训策略.
- 选择性专注于与辐射瘤学相关的深度学习技术.
主要成果:
- 区分人工智能,深度学习,监督和无监督学习.
- 解释了主要DL模型 (MLP,CNN,RNN,变压器,GAN,扩散模型,强化学习) 的基本原理,并与辐射瘤学应用.
- 概述了关键的培训因素:数据预处理,损失函数,优化器,学习率和批量大小.
结论:
- 为放射性瘤学提供了深度学习原则的全面概述.
- 旨在提高对该领域人工智能研究和软件的理解.
- 便于将复杂的AI概念集成到辐射瘤学临床实践中.
更多相关视频
08:25Radiation Planning Assistant - A Streamlined, Fully Automated Radiotherapy Treatment Planning System
Published on: April 11, 2018
15.3K
06:20Irradiator Commissioning and Dosimetry for Assessment of LQ α and β Parameters, Radiation Dosing Schema, and in vivo Dose Deposition
Published on: March 11, 2021
7.2K
