دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات ژورنالی پزشکیدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات سال 2018دانلود رایگان مقالات مروری پزشکیدانلود رایگان مقالات مروری کامپیوتردانلود رایگان مقاله ISI پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری عمیق به زبان انگلیسیسال انتشار

مقاله انگلیسی رایگان در مورد بررسی یادگیری عمیق برای رادیوتراپی – الزویر ۲۰۱۸

 

مشخصات مقاله
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۴۷ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه الزویر
نوع نگارش مقاله مقاله مروری (Review Article)
نوع مقاله ISI
عنوان انگلیسی مقاله Survey on deep learning for radiotherapy
ترجمه عنوان مقاله بررسی یادگیری عمیق برای رادیوتراپی
فرمت مقاله انگلیسی  PDF
رشته های مرتبط مهندسی کامپیوتر و پزشکی
گرایش های مرتبط هوش مصنوعی و رادیوتراپی
مجله کامپیوترها در زیست شناسی و پزشکی – Computers in Biology and Medicine
دانشگاه Department of Medical Physics – Paul Strauss Center – France
کلمات کلیدی رادیوتراپی، یادگیری عمیق، شبکه های کانولوشنال
کلمات کلیدی انگلیسی Radiotherapy, Deep-learning, Convolutional Networks
شناسه دیجیتال – doi
https://doi.org/10.1016/j.compbiomed.2018.05.018
کد محصول E8646
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Patient workflow in radiotherapy is one of the most complex workflows. There are many steps involved: choice of the radiotherapy treatment scheme; image acquisition of the patient in treatment position; segmentation of the target volumes and organs-at-risk (OAR) using multimodal imaging; treatment planning; delivery of treatment including monitoring of patient positioning, movements, and delivered dose; and finally, post-treatment follow-up. To facilitate and improve the efficiency of this workflow, artificial intelligence (AI) systems have been proposed for automatic organ segmentation, error prevention, or treatment planning [1,2]. However, these systems are still seldom used in clinical routines. For instance, manual delineation of target volumes and OAR is still the standard routine for most clinical centers, even though it is time consuming and prone to intra- and inter-observer variations [3]. One issue is the limited performance of current commercial software. In radiotherapy, toxic and fatal doses are sometimes delivered at 1 or 2 mm from risk organs; therefore, it is vital that segmentation is extremely accurate (see Fig. 1). However, current automatic segmentation software cannot achieve the necessary level of accuracy. Consequently, radiation oncologists may lose more time correcting automatically segmented structures than by manually segmenting the structures themselves. Deep learning (DL) is a branch of AI and machine learning, which has enjoyed considerable success in recent years in diverse fields including science, business, and government. DL has dramatically supplanted other machine learning methods for applications such as recognition and image processing in computer vision, by achieving human-equivalent performance on some tasks [4–۶]. DL techniques also open promising perspectives in AI applied to radiotherapy and may significantly improve the radiotherapy patient workflow in the coming years [7,8]. To illustrate the rapidly evolving interest aroused by these new techniques in radiotherapy, Fig. 2 shows the number of DL papers published in this field since 2012.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا