Research on Segmentation Technology in Lung Cancer Radiotherapy Based on Deep Learning
(Huang et al., 2023)
Abstract
Background: Lung cancer has the highest mortality rate among cancers. Radiation therapy (RT) is one of the most effective therapies for lung cancer. The correct segmentation of lung tumors (LTs) and organs at risk (OARs) is the cornerstone of successful RT.
Methods: We searched four databases for relevant material published in the last 10 years: Web of Science, PubMed, Science Direct, and Google Scholar. The advancement of deep learning-based segmentation technology for lung cancer radiotherapy (DSLC) research was examined from the perspectives of LTs and OARs.
Results: In this paper, Most of the dice similarity coefficient (DSC) values of LT segmentation in the surveyed literature were above 0.7, whereas the DSC indicators of OAR segmentation were all over 0.8.
Conclusion: The contribution of this review is to summarize DSLC research methods and the issues that DSLC faces are discussed, as well as possible viable solutions. The purpose of this review is to encourage collaboration among experts in lung cancer radiotherapy and DL and to promote more research into the use of DL in lung cancer radiotherapy.
Español
Investigación sobre la tecnología de segmentación en radioterapia para cáncer de pulmón basada en aprendizaje profundo
Resumen
Antecedentes: El cáncer de pulmón tiene la mayor tasa de mortalidad entre los cánceres. La radioterapia (RT) es uno de los tratamientos más efectivos contra el cáncer de pulmón. La segmentación correcta de tumores pulmonares (TP) y órganos en riesgo (OER) es la piedra angular de la RT exitosa.
Métodos: Se buscó material relevante publicado en los últimos diez años en cuatro bases de datos: Web of Science, PubMed, Science Direct y Google Scholar. Los avances de la investigación sobre la tecnología de segmentación basada en aprendizaje profundo para radioterapia de cáncer de pulmón (DSLC, por sus siglas en inglés) se examinó desde las perspectivas de TP y OER.
Resultados: En esta publicación, la mayoría de los coeficientes de similitud de Dice (CSD) de la segmentación de TP en la literatura analizada estaban encima de 0.7, mientras que los CSD para segmentación de OER fueron todos mayores a 0.8.
Conclusión: La contribución de esta revisión es sintetizar los métodos de investigación de la DSLC, y se discuten los problemas que la DSLC enfrenta así como posibles soluciones viables. El propósito de esta revisión es motivar la colaboración entre expertos en radioterapia de cáncer de pulmón y aprendizaje profundo y promover más investigación sobre el uso del aprendizaje profundo en radioterapia de cáncer de pulmón.