《表2 基于深度学习的肿瘤靶区勾画方法及结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习在肿瘤放射治疗领域应用进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

评价指标：ASD2：平均表面距离（average surface distance，ASD)；PPV：阳性预测值（positive predictive value，PPV)；Hd：豪斯多夫距离（Hausdorff distance，Hd)；EI：围绕指数（encompassment index，EI)

与正常组织勾画相同的是，机器学习方法辅助肿瘤靶区勾画有助于提高执行效率，但不同之处更需要引起关注：肿瘤边界通常不具有显著的影像学特征，需要借助注射显像强化造影剂、图像后处理、多模态图像融合等技术来辅助识别，并选择脑肿瘤、早期周围型肺癌、乳腺癌等边界相对容易确定的肿瘤类型开展研究。对于如局部晚期肺癌、鼻咽癌、宫颈癌等需要勾画淋巴结预防区域的肿瘤靶区，由于其勾画过程需要结合临床特征（如病理分期）进行个体化调整，故此类基于机器学习的自动勾画技术尚未见报道。深度学习在肿瘤靶区勾画的应用如表2所示。