从视觉到上下文：放射治疗中提示驱动的靶区体积分割综述

准确的目标体积（TV）分割对于放疗（RT）计划至关重要，但仍然耗时。此外，最终轮廓取决于放射肿瘤学家的专业经验。尽管深度学习改善了医学图像分割，但仅基于图像的模型无法编码支配 TV 勾画的临床推理，尤其是对于临床靶体积（CTV），其边界由临床知识而非仅由影像特征界定。提示驱动的分割近来作为一种应对这一局限性的策略而出现。本工作旨在综述这些用于 RT TV 分割的方法，目标有四：（1）比较所使用的不同提示技术；（2）比较其与仅图像基线的性能；（3）评估其如何依据标准指标进行评价，包括 Dice 相似系数（DSC）、95% Hausdorff 距离、敏感度、精确度以及临床评估；（4）识别临床转化所需的差距。我们系统检索了 PubMed、Embase 和 arXiv，纳入将几何提示、临床文本提示或交互式提示整合到深度学习模型中以进行 RT TV 勾画的研究。十三项研究符合纳入标准，涵盖头颈、乳腺、前列腺、肺、宫颈和直肠癌。七项研究使用临床文本提示，四项使用几何提示，两项使用交互式提示；三项研究结合了多种模态。报告的 DSC 范围为 0.67 至 0.93，而仅图像基线为 0.65 至 0.91。无研究报告敏感度或精确度。临床文本提示似乎非常适合 CTV 勾画。证据仍然有限，在这些方法能够转化为常规 RT 实践之前，需要标准化的提示工程和临床验证。

中文由 AI 翻译，仅供参考，以原文为准。