【ABee读论文】头部和颈部癌症危险器官和靶体积的自动分割的快速发展（Radiotherapy and Oncology，2019）

【ABee读论文】头部和颈部癌症危险器官和靶体积的自动分割的快速发展（Radiotherapy and Oncology，2019）

【论文题目】

Rapid advances in auto-segmentation of organs at risk and target volumes in head and neck cancer

头部和颈部癌症危险器官和靶体积的自动分割的快速发展

【期刊】

Radiotherapy and Oncology，2019（130-140）

【摘要】

准确描绘靶区和危及器官对降低放射毒性至关重要。手动绘制的不同会直接影响到剂量的设计，自动分割可以减少不同医生手工绘制的差异，同时降低分割时间，会直接减少患者的治疗计划和临床等待时间。放疗适应期内会有一些生物或者解剖学的变化，需要迅速地重新规划方案，手工绘制时间太长，事实上阻碍了适应性治疗的最佳实施。本文将讨论引入人工智能对头颈部的放疗会产生怎样的变化。特别关注的是轮廓的准确度和时间。如果这些技术正确实现，可以使得患者的治疗更标准化，并节省大量时间。

（太长不看版）摘要

     1.手工绘制靶区和危及器官太慢啦！

     2.不同人绘制的标准不一样！影响剂量！

     3.看看人工智能能不能在准确和时间上帮上忙！

     4.讨论的主要领域是头颈部放疗相关的自动分割！

ps.不是全部的翻译，只截取了关键信息，尽可能按照原文翻译。

自动分割准确度评价标准：

Dice similarity coefficient (DSC), mean surface distance (MSD), Hausdorff surface distance (HSD), sensitivity and  specificity analyses ，receiver operator characteristics (ROC)  curves

Atlas-based auto-segmentation (ABAS)

ABAS是一种利用可变形的图像配准从地图集（Atlas）传播至患者数据集。SingleABAS技术主要利用一个事先确定节点的靶区和危机器官（即勾画好金标准）单一数据集。multi-ABAS可以对来自多个数据集的数据进行组合，减少Atlas和患者数据集在解剖学上存在显著差异的风险，然后把多个独立的分割结果组合起来，得到一个平均的地图集，融合地图集的方式是多种多样的。主要有STAPLE和STEPS两种算法。使用STAPLE算法，所有地图集的权重都是一样的；使用STEPS算法，只使用排名靠前、和患者解剖更相似的地图集。

Hybrid auto-segmentation（HAS）

基于模型的方法可以在分割过程中加入先验形状约束，可以更好的分割存在缺陷的图像（对比度低、图像信息缺失等）。解剖结构的可变模型通常用三角形网格表示，形状设计接近所讨论结构的平均形状（先验知识）。模型除了形状还可能利用感兴趣区域的特征灰度范围、梯度方向、强度等知识。一般需要很多手工操作（指手动网格操作工具、编辑网格等）。如果希望完全自动化，可以将基于模型的方法与ABAS结合，将图像配准和分割结合到同一个框架中，使用可变形模型的部分作为配准约束，或者用于补偿配准之后的误差。

Deep learning-based algorithms

基于深度学习的HNC放射治疗规划算法主要关注精度和OAR轮廓，在本文的文献检索中，没有发现评估这些技术在节省时间、影响剂量或者观察者间变异性（可能是指不同人的勾画差异？）的研究。