《表2 基于深度学习的肿瘤靶区勾画方法及结果对比》
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。
图表编号 | XD00106173200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 张珺倩、张远、尹勇、朱健、李宝生 |
绘制单位 | 济南大学信息科学与工程学院、济南大学信息科学与工程学院、山东大学附属山东省肿瘤医院放射肿瘤科、山东大学附属山东省肿瘤医院放射物理技术科、山东大学附属山东省肿瘤医院放射肿瘤科、山东大学附属山东省肿瘤医院放射物理技术科、山东大学附属山东省肿瘤医院放射肿瘤科、山东大学附属山东省肿瘤医院放射物理技术科 |
更多格式 | 高清、无水印(增值服务) |