Application of deep learning to auto-delineation of target volumes and organs at risk in radiotherapy

The technological advancement heralded the arrival of precision radiotherapy (RT), thereby increasing the therapeutic ratio and decreasing the side effects from treatment. Contour of target volumes (TV) and organs at risk (OARs) in RT is a complicated process. In recent years, automatic contouring of TV and OARs has rapidly developed due to the advances in deep learning (DL). This technology has the potential to save time and to reduce intra- or inter-observer variability. In this paper, the authors provide an overview of RT, introduce the concept of DL, summarize the data characteristics of the included literature, summarize the possible challenges for DL in the future, and discuss the possible research directions. Le contour des volumes-cibles et des organes à risque en radiothérapie est un processus compliqué. Ces dernières années, la délinéation automatique des volumes-cibles et des organes à risque s’est rapidement développée en raison des progrès du deep learning. Cette technologie a le potentiel de gagner du temps et de réduire la variabilité pour un même – ou entre les – observateurs. Dans cet article, les auteurs donnent un aperçu de la radiothérapie, introduisent le concept de deep learning, résument les caractéristiques des données de la littérature incluse, résument les défis possibles pour le deep learning à l’avenir et discutent des directions de recherche possibles.