20.500.12556/RUL-173428 Avtomatska segmentacija tumorjev in organov na PET/CT slikah – pregled področja magistrsko delo Automatic segmentation of tumors and organs on PET/CT images – field overview master thesis Uvod: 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. Introduction: Segmentation is the process of delineating tumors and critical organs in medical imaging and is essential for further clinical assessment and patient treatment. Computed tomography (CT) and positron emission tomography (PET) play a crucial role in tumor analysis, providing valuable information about tumor location, anatomy, and disease stage. Traditionally, segmentation is still performed manually by physicians on PET/CT images; however, it is time-consuming and labor-intensive. In recent years, the development of automatic segmentation methods based on deep learning has emerged, offering a potential alternative to manual segmentation. Purpose: The goal of this master's thesis is to present the use of automatic segmentation methods for segmenting tumors and organs on PET/CT images and with a systematic literature review explore significance of use from the perspectives of both healthcare professionals and patients. Additionally, the thesis focuses on identifying various automatic segmentation methods, comparing their segmentation accuracy, time requirements, and clinical applicability, as well as examining the challenges associated with implementing such approaches into clinical practice. Methods: In this thesis, descriptive and systematic literature review methods were used. The literature search was conducted across multiple databases using inclusion and exclusion criteria along with relevant keywords. From an initial 1,393 search results, 34 most thematically relevant articles were selected and included in the thesis. Results: We presented the results in two tables, in the first table, we introduced different models of automatic segmentation and compared their effectiveness, the use of studies from various datasets, and their clinical applicability, while in the second table, we focused on the challenges that arise when implementing such methods in a clinical setting. Discussion and conclusion: Automatic segmentation methods enable faster, more reproducible, and objective segmentation of tumors and organs compared to manual segmentation. This contributes to the advancement of computer-aided diagnosis and treatment planning, enabling the identification of important prognostic factors and monitoring of treatment response. Despite numerous advantages, these methods have not yet been widely implemented in clinical practice due to technical, legal, ethical, and privacy-related challenges. With the collaboration of academia, industry, and clinical experts, it will be possible to implement these methods into practice and accelerate diagnostic processes and treatment planning, which is vital for optimal patient care and reducing the burden on healthcare professionals. magistrska dela radiološka tehnologija avtomatska segmentacija PET/CT globoko učenje master's theses radiologic technology automatic segmentation PET/CT deep learning true false false [A. Robida] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-09-17 08:50:25 2025-09-17 08:50:31 2025-11-09 03:41:44 0000-00-00 00:00:00 2025 0 Ljubljana 0 Ljubljana 79 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 616-07 150434 249218307 53205.pdf 53205.pdf 1 2174F1D6EB386AA620BD5D5E3B64A3FE 5e8efa74861bb9f463aedb124345e1814586f6706f34d59bba4c7e0e31483456 6e98b659-9392-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=217838 Zdravstvena fakulteta 0 0 0