我刚开始做放射肿瘤学家。我有一点编程背景(Python，VBA)。
我想听听你对我工作中的一个问题的见解。
问题 ：对于每个患者，放射肿瘤学家都需要做轮廓检查。基本上，他在CT扫描上描绘了主要结构(如主动脉、心脏、肺部等)的轮廓。这对于计算辐射的空间分布至关重要(因为你想避开这些结构)。轮廓是在第三方软件(称为Isogray)中完成的。CT扫描来自医院数据库，辐射分布在另一个软件上计算。
完成一个完整的轮廓至少需要一个小时。将其乘以每个患者(可能每周十几个)和每个肿瘤学家(我们是一个由15名成员组成的团队)，你可以看到它代表着每年一百(甚至一千)个工时。
有一些软件可以自动做到这一点，但医院不想租/买。但是，说真的，实现一点自动化有多难？我不能自己做吗？
我的行动计划 ：我想听听你的见解。如何使此任务自动化？第一件事是我不能在Isogray内部更改任何内容，所以我需要在外部进行自动化。我认为我应该做什么：
- 创建历史轮廓的数据库：这意味着我需要能够读取Isogray用作输出文件的内容
- 设计一个自动模型：我在这里考虑深度学习模型。我不知道还有什么比在我现有的轮廓CT扫描上校准深度学习模型更优化的了
- 创建一个小软件：基于自动模型，该软件将获取一个"未轮廓化"的Isogray文件，并将其转换为"轮廓化"文件。肿瘤学家只需要将新文件加载到Isogray中并验证轮廓
你怎么看？你觉得有更简单的方法吗？我对Isogray一无所知(我只知道如何使用它)。你认为这可行吗？在开始这个项目之前，我需要什么信息？
任何见解都将受到欢迎：)
据我所知，这是一个语义分割的问题
你有一个N维(或黑白)的输入图像，你使用神经网络来指示哪些区域对应于特定的器官。
您可以使用类似U-Net的体系结构执行此任务：https://medium.com/@keremturgutlu/语义分段-u-net-part-1-d8d6f6005066
我不知道的是，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模式，第一个重要组成部分是形状和颜色。这就是为什么当颜色和形状都非常不同时会更加困难。
另一方面，你需要大量的图像，但你可以创建一个称为数据增强的过程来生成更多的(人工)图像。
目前使用的另一种方法是反向工作，我们知道图像分割的问题很困难。但是你可以设计一个程序来模拟真实的图像，其中分割是完全已知的。
这里只有一些关键点，我希望我对你有所帮助。
编辑：生物医药上下文中的语义分割：https://towardsdatascience.com/review-u-net-biomedical-image-segmentation-d02bf06ca760
您需要提供更多关于轮廓细节的背景信息，特别是考虑到这是用于医学诊断的事实。说实话，出于责任的原因，我不会尝试将其自动化。
如果你犯了一个错误，可能会导致误诊，正如你所知，这可能会导致许多问题，包括诉讼和死亡。第三方产品的好处在于，它已经针对许多场景进行了强有力的测试，并因医疗用途和责任原因获得批准。
我很确定你可以做一篇像这样的硕士论文
话虽如此，对于这样的问题，有一个很好的github回购，我认为你可能会开始产生想法。