机构名称：
¥ 1.0
摘要：背景/目标：将机器学习到放射线学领域的整合彻底改变了个性化医学的方法，尤其是在肿瘤学中。我们的研究提出了RADTA（放射线趋势分析），这是一个新的框架，旨在促进时间序列CT体积的定量成像生物标志物（QIB）的自动分析。方法：RADTA旨在弥合医学专家的技术差距，并在没有深度学习专业知识的情况下进行复杂的放射线分析。RADTA的核心包括自动命令线接口，简化的图像分割，全面的特征提取和可靠的评估机制。radta利用了高级分割模型，特别是总分段者和身体组成分析（BCA），从CT扫描中准确地描述了解剖结构。这些模型可以提取各种各样的放射线特征，随后对其进行处理并进行比较以评估及时相应的CT系列的健康动态。结果：使用HNSCC-3DCT-RT数据集对RADTA的有效性进行了测试，其中包括接受放射治疗的肿瘤患者的CT扫描。结果表明组织组成的显着变化，并提供了对治疗物理影响的见解。结论：RADTA在放射线学领域展示了临床采用的步骤，为分析患者健康动态分析提供了用户友好，健壮且有效的工具。它也可以用于其他医学专业。
通过比较CT分析评估患者健康动态
主要关键词
相关文件推荐
