《表2 基于AI的靶区方法及结果对比》

  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

《人工智能在恶性肿瘤放射治疗领域的相关应用及进展》

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

注:ABAS:基于图谱的自动分割；BRATS:脑肿瘤分割挑战；DNNs:深度神经网络；MASD:平均的绝对表面距离；DD-ResNet:深度扩张的残差网络

放射治疗计划的核心是对治疗目标的轮廓勾画，临床肿瘤医师获得临床相关图像，利用计算机手动勾画肿瘤的部位以提供放射治疗剂量。勾画的内容包括在临床信息、肿瘤病理学以及影像诊断的指导下，将恶性病变的范围勾画为大体肿瘤靶区（GTV）；根据疾病的解剖关系和生物学行为考虑恶性病变的潜在侵袭和转移范围来勾画临床靶区（CTV）；最后结合器官运动、摆位误差等勾画实际的计划靶区（PTV）。这些治疗靶区的勾画相对于OARs而言更为复杂，肿瘤的边界通常不具有显著的影像学特征，常常需要依靠不同的造影剂、图像后处理以及多模态的图像融合等技术来辅助辨别，而且各种CTV及PTV的勾画在不同的肿瘤类型及不同的分期中都有很大不同，所以其自动勾画方式不同于OARs的勾画。近年来已经有一些可以自动勾画靶区的软件，通常的勾画原理是基于数据库，然后采用基于图谱的分割（atlas-based segmentation，ABS）或与基于模型的分割（model-based segmentation，MBS）相结合，创建包含感兴趣区组织名称的患者模板，然后通过软件分析比较，找出数据库中和该患者最相似的病例，将其勾画方案适当形变后映射到该患者上，以完成自动勾画[21]。见表2。