表 2. Comparison of the results of different tumor segmentation methods based on deep learning.

基于深度学习的肿瘤靶区勾画方法及结果对比

文献	分割内容		数据库		方法		分割精度评价
评价指标：ASD2：平均表面距离（average surface distance，ASD）；PPV：阳性预测值（positive predictive value，PPV）；Hd：豪斯多夫距离（Hausdorff distance，Hd）；EI：围绕指数（encompassment index，EI）
Guo 等[10]	前列腺		t2 加权 MRI 图像来自芝加哥大学医院		堆叠稀疏自编码器+稀疏块匹配方法		DSC = 87.8% ± 4.0% ASD2 =（1.59 ± 0.51）mm
Pereira 等[11]	脑神经胶质瘤		MRI 图像（BraTS 2013、2015 数据库）		CNN（使用小卷积核）		DSC = 84% PPV = 85% 敏感性 = 86%
Kamnitsas 等[12]	脑肿瘤（包括坏死核心，水肿，非增强、增强核心）		MRI 图像（BraTS 2015 数据库）		3D CNN（两条卷积通路）+ 全连通条件随机域 + 集成学习		DSC = 90.1% 准确率 = 91.9% 敏感性 = 89.1%
Men 等[13]	直肠癌肿瘤靶区、膀胱、股骨头（左、右）、肠、结肠		辅助放化疗或放疗的局部晚期直肠癌患者 CT		DDCNN		DSC = 87.7%、93.4%、92.1%、92.3%、65.3%、61.8%
Men 等[14]	乳腺癌肿瘤靶区		接受保乳治疗的乳腺癌患者 CT		DD-ResNet		DSC = 91% Hd = 10.5 mm
Li 等[16]	非小细胞肺癌肿瘤		接受立体定向放射治疗患者的 4DCT 数据		ImageNet 数据集预训练的第 3 版“因赛普森”（inception V3）架构网络进行迁移学习		MI = 0.92 EI = 0.97