Turusegmenteerimine jaguneb käsitsi (manual), poolautomaatsesse ja täielikult automaatse lahendusteni. Käsitsi segmenteerivad piirjooned radioloogid või onkoloogid, mis on täpne, kuid aeganõudev ja subjektiivne. Poolautomaatsed meetodid kasutavad kasutaja sisendi põhjal algoritmi juhendamist, näiteks piirkonna kasvatamist või kehakomponentide eelsünteesi. Täisautomaatsed lahendused kasutavad masinõpet ja süvaõpet, kus mudelid nagu U-Net ja muud sügava õppe arhitektuurid õpivad eraldama kasvajaid suurte andmekogude pealt; need kehastavad kiiret skaneerimist ja tõsta läbipaistvust.
Turusegmenteerimine kasutatakse peamiselt erinevates pildiformaatides, nagu MRI, CT ja PET, sageli multi-modality andmete kombineerimisel. Populaarsed olemasolevad andmekogud on BRATS脑MS brain tumor segmentation, LiTS maksakasvaja segmenteerimine, KiTS neerukasvaja segmenteerimine. Sõltuvalt haigusjaotusest võivad mudelid arvestada mitme pilt0 tüübi ja ajavahemikega.
Peamised hindamiskriteeriumid on Dice'i koefitsient, Jaccardi indeks ja Hausdorff'i kaugus. Väljapakutud meetodid peavad generaliseeruma erinevates skaalades, seadistustes ja erinevates seadmete ning protokollide vahel. Peamised väljakutsed hõlmavad andmete piiratud hulka, annotatsioonide vahelist erinevust, klassihaldust (kasvaja on sageli vähem esindatud kui terve koe) ning kliinilise töövoo sujuvamaks muutmise vajadust.
Turusegmenteerimine on kriitiline diagnostika ja ravi planeerimise osa ning see võimaldab täpsemat kasvaja kvantifitseerimist ning ravi tõhususe jälgimist. Tulevikus keskendub edasiliikumine standardimisele, suuremale kliinilisele valideerimisele ja integreerimisele haiglara pusledesse, lisaks reaalajas või peaaegu reaalajas segmentatsioonile ning ühendusele radiomooniliste radiotroopiliste mikroärritajatega.