이 쿠키는 웹사이트가 정상적으로 작동하는 데 필요하며 시스템에서 꺼질 수 없습니다. 주로 사용자가 요청한 서비스(개인정보 설정, 로그인, 양식 작성 등)를 제공하기 위해 설정됩니다. 브라우저에서 이 쿠키를 차단하거나 알림을 받을 수 있도록 설정할 수 있지만, 이 경우 사이트 일부 기능이 정상적으로 작동하지 않을 수 있습니다. 이 쿠키는 개인 식별 정보를 저장하지 않습니다.
+타겟팅 쿠키
이 쿠키는 광고 파트너를 통해 설정되며, 귀하의 관심사에 기반한 광고를 다른 사이트에 표시하는 데 사용됩니다. 이 쿠키는 직접적으로 개인정보를 저장하지 않으며, 브라우저와 인터넷 기기 식별을 기반으로 작동합니다. 이 쿠키를 허용하지 않으면 타겟팅 광고를 덜 경험하게 됩니다.
+성능 쿠키
이 쿠키는 웹사이트 방문자 수 및 트래픽 소스를 집계하여, 사이트의 성능을 측정하고 개선하는 데 사용됩니다. 어떤 페이지가 인기가 많은지, 방문자가 사이트를 어떻게 이동하는지를 파악하는 데 도움이 됩니다. 모든 정보는 익명으로 수집되며, 이 쿠키를 허용하지 않을 경우 방문 및 활동 기록을 알 수 없어 사이트 성능 모니터링에 제약이 생깁니다.
Performance Evaluation of Automatic Segmentation based on Deep Learning and Atlas according to CT Image Acquisition Conditions
(CT 영상획득 조건에 따른 딥 러닝과 아틀라스 기반의 자동분할 성능 평가)
Authors
김정
Journal
Journal of the Korean Society of Radiology (한국방사선학회논문지)
The study by Jung Hoon Kim evaluates the performance of deep learning (Aview RT ACS, OncoStudio) and atlas-based (Smart Segmentation) automatic segmentation methods under varying CT imaging conditions for lung radiotherapy. Using a Lungman phantom, the research assessed lung volume, Dice similarity coefficient (DSC), and 95% Hausdorff distance (HD) across different tube voltages and currents. Atlas-based methods showed minimal volume variation, while deep learning models, particularly at low tube currents, yielded smaller volumes. Aview RT ACS demonstrated higher DSC and lower HD, indicating superior segmentation accuracy compared to OncoStudio. However, OncoStudio had lower standard deviations, suggesting more consistent results. The study advises caution when using deep learning at low acquisition settings and suggests further research on clinical datasets and image quality optimization. This research contributes to improving automatic segmentation accuracy in radiotherapy by identifying optimal CT acquisition conditions.
목록으로
