我刚刚开始担任放射肿瘤学家的居留权。我有一点编程背景（Python，VBA）。
我希望您对我正在处理的问题有深刻的见识。
问题 ：对于每位患者，放射肿瘤学家都需要进行轮廓绘制。基本上，他通过CT扫描勾勒出主要结构（如主动脉，心脏，肺等）的轮廓。这对于计算辐射的空间分布至关重要（因为您要避免这些结构）。轮廓绘制是在第三方软件（称为Isogray）中完成的。 CT扫描来自医院数据库，并且在另一个软件上计算了辐射分布。
完成一个轮廓至少需要一个小时。将其乘以每个患者（每周大概十二个）和每个肿瘤学家（我们是由15名成员组成的团队），您可以看到每年代表一百（甚至几千）工时。
有些软件可以自动执行此操作，但是医院不想租借/购买它们。但是，说真的，要做一点自动化有多困难？我自己不能这样做吗？
我的行动计划 ：在这里，我想听听您的见解。我该如何自动执行此任务？第一件事是我无法在Isogray中进行任何更改，因此我需要从外部进行自动化。我认为应该做的事情：
您怎么看？您看到一种更简单的方法吗？我对Isogray一无所知（我只知道如何使用它）。您认为这可行吗？开始这个项目之前，我需要什么信息？
任何见解都会受到欢迎：）
答案 0 :(得分：0)
据我了解，这是语义细分的问题。
您有一个N个维度（或黑白）的输入图像，并且使用神经网络来指示对应于特定器官的区域。
您可以使用类似U-Net的体系结构来完成此任务：https://medium.com/@keremturgutlu/semantic-segmentation-u-net-part-1-d8d6f6005066
我不知道可靠性是否会很高，这取决于许多因素。
神经网络寻找区分区域的区分模式，第一个重要组成部分是形状和颜色。这就是为什么颜色和形状都非常不同时更加困难的原因。
另一方面，您将需要很多图像，但是您可以创建一个称为数据增强的过程来生成更多图像（人工的）。
当前使用的另一种方法是反向工作，我们知道图像分割问题很困难。但是，您可以设计一个程序来模拟真实的图像，而其中的分割是众所周知的。
只有一些关键点，希望我对您有所帮助。
编辑： 生物医学环境中的语义细分：https://towardsdatascience.com/review-u-net-biomedical-image-segmentation-d02bf06ca760
答案 1 :(得分：0)
您需要提供更多有关轮廓细节的背景信息，尤其是考虑到这是用于医学诊断的事实。确实，出于责任原因，我不会尝试将其自动化。
如果您在某人身上犯了一个错误，则可能导致误诊，如您所知，这可能导致许多问题，包括诉讼和死亡。关于第三方产品的好处是，它已经针对多种情况进行了稳健的测试，并由于医疗用途和责任原因而获得批准。
我很确定你可以做这样的硕士论文
话虽如此，但对于这样的问题，我有一个不错的github repo，我认为您可能会开始从中产生想法。