Avtomatska segmentacija tumorjev in organov na PET/CT slikah – pregled področjaRobida, Anja (Avtor) Žibert, Janez (Mentor) Rep, Sebastijan (Komentor) Fošnarič, Miha (Recenzent) magistrska delaradiološka tehnologijaavtomatska segmentacijaPET/CTgloboko učenjeUvod: Segmentacija je postopek razmejitve tumorjev in kritičnih organov na medicinski sliki in je ključna za nadaljnjo klinično obravnavo bolnika ter njegovo zdravljenje. Računalniška tomografija (CT) in pozitronska emisijska tomografija (PET) imata ključno vlogo pri analizi tumorjev, saj nudita dragocene informacije o njihovi lokaciji, anatomiji in stadiju bolezni. Tradicionalno se segmentacija še vedno izvaja ročno s strani zdravnikov na PET/CT slikah, vendar pa je dolgotrajna in intenzivna. Zato je v zadnjem času prišlo do razvoja avtomatskih segmentacijskih metod na podlagi globokega učenja, ki bi predstavljajo alternativo ročni segmentaciji. Namen: Namen magistrskega dela je predstaviti uporabo avtomatskih segmentacijskih metod pri segmentaciji tumorjev in organov na PET/CT slikah in s sistematičnim pregledom literature raziskati njihov pomen uporabe tako z vidika zdravstvenih strokovnjakov kot tudi bolnikov. Prav tako smo se v okviru zaključnega dela osredotočili na identifikacijo različnih avtomatskih segmentacijskih metod, primerjavo njihove segmentacijske učinkovitosti, časovne zahtevnosti in klinične uporabnosti ter raziskali izzive pri implementaciji tovrstnih pristopov v klinično prakso. Metode dela: Pri pisanju smo uporabili deskriptivno metodo in metodo sistematičnega pregleda literature. Iskanje je potekalo v različnih podatkovnih bazah s pomočjo vključitvenih in izključitvenih kriterijev ter ključnih besed. Iz začetnih 1393 zadetkov smo na podlagi tematske ustreznosti člankov izbrali 34 najbolj relevantnih člankov, ki smo jih vključili v magistrsko delo. Rezultati: Rezultate smo prikazali v dveh tabelah, pri čemer smo v prvi tabeli predstavili različne modele avtomatske segmentacije in primerjali njihovo učinkovitost, uporabo študij iz različnih zbirk in klinično uporabnost, pri drugi tabeli pa smo se osredotočili na izzive, ki se pojavljajo pri implementaciji tovrstnih metod v klinično okolje. Razprava in zaključek: Avtomatske segmentacijske metode omogočajo hitrejšo, ponovljivo in objektivno ter precej učinkovito segmentacijo tumorjev in organov v primerjavi z ročno segmentacijo. S tem lahko prispevajo k razvoju računalniško podprte diagnostike in načrtovanju zdravljenja ter omogočijo določitev pomembnih prognostičnih faktorjev in spremljanje odziva na zdravljenje. Kljub številnim prednostim pa avtomatske segmentacijske metode še vedno niso v veliki meri implementirane v klinično prakso zaradi tehničnih, pravnih, etičnih in zasebnostnih izzivov. S sodelovanjem akademije, industrije in kliničnih strokovnjakov bo mogoče implementirati te metode v prakso in zagotoviti pospešitev diagnostičnih procesov in načrtovanje zdravljenja, kar je ključno za optimalno zdravljenje pacienta in razbremenitev zdravstvenih delavcev.[A. Robida]20252025-09-17 08:50:25Magistrsko delo/naloga173428sl