【論文題目】
Rapid advances in auto-segmentation of organs at risk and target volumes in head and neck cancer
頭部和頸部癌症危險器官和靶體積的自動分割的快速發展
【期刊】
Radiotherapy and Oncology，2019（130-140）
【摘要】
準確描繪靶區和危及器官對降低放射毒性至關重要。手動繪製的不同會直接影響到劑量的設計，自動分割可以減少不同醫生手工繪製的差異，同時降低分割時間，會直接減少患者的治療計劃和臨牀等待時間。放療適應期內會有一些生物或者解剖學的變化，需要迅速地重新規劃方案，手工繪製時間太長，事實上阻礙了適應性治療的最佳實施。本文將討論引入人工智能對頭頸部的放療會產生怎樣的變化。特別關注的是輪廓的準確度和時間。如果這些技術正確實現，可以使得患者的治療更標準化，並節省大量時間。
（太長不看版）摘要
1.手工繪製靶區和危及器官太慢啦！
2.不同人繪製的標準不一樣！影響劑量！
3.看看人工智能能不能在準確和時間上幫上忙！
4.討論的主要領域是頭頸部放療相關的自動分割！
ps.不是全部的翻譯，只截取了關鍵信息，儘可能按照原文翻譯。
自動分割準確度評價標準：
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是一種利用可變形的圖像配準從地圖集（Atlas）傳播至患者數據集。SingleABAS技術主要利用一個事先確定節點的靶區和危機器官（即勾畫好金標準）單一數據集。multi-ABAS可以對來自多個數據集的數據進行組合，減少Atlas和患者數據集在解剖學上存在顯著差異的風險，然後把多個獨立的分割結果組合起來，得到一個平均的地圖集，融合地圖集的方式是多種多樣的。主要有STAPLE和STEPS兩種算法。使用STAPLE算法，所有地圖集的權重都是一樣的；使用STEPS算法，只使用排名靠前、和患者解剖更相似的地圖集。
Hybrid auto-segmentation（HAS）
基於模型的方法可以在分割過程中加入先驗形狀約束，可以更好的分割存在缺陷的圖像（對比度低、圖像信息缺失等）。解剖結構的可變模型通常用三角形網格表示，形狀設計接近所討論結構的平均形狀（先驗知識）。模型除了形狀還可能利用感興趣區域的特徵灰度範圍、梯度方向、強度等知識。一般需要很多手工操作（指手動網格操作工具、編輯網格等）。如果希望完全自動化，可以將基於模型的方法與ABAS結合，將圖像配準和分割結合到同一個框架中，使用可變形模型的部分作爲配準約束，或者用於補償配準之後的誤差。
Deep learning-based algorithms
基於深度學習的HNC放射治療規劃算法主要關注精度和OAR輪廓，在本文的文獻檢索中，沒有發現評估這些技術在節省時間、影響劑量或者觀察者間變異性（可能是指不同人的勾畫差異？）的研究。