論文の概要: Patient-Specific Finetuning of Deep Learning Models for Adaptive
Radiotherapy in Prostate CT
- arxiv url: http://arxiv.org/abs/2002.06927v1
- Date: Mon, 17 Feb 2020 12:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 13:13:13.157079
- Title: Patient-Specific Finetuning of Deep Learning Models for Adaptive
Radiotherapy in Prostate CT
- Title（参考訳）: 前立腺CTにおける適応放射線治療のための深層学習モデルの患者特異的解析
- Authors: Mohamed S. Elmahdy, Tanuj Ahuja, U. A. van der Heide, and Marius
Staring
- Abstract要約: OAR(Organs-At-Risk)は放射線治療計画において重要なステップである。
本研究では、治療セッションに蓄積されたパーソナライズされた解剖学的知識を活用し、事前学習された畳み込みニューラルネットワーク(CNN)のセグメンテーション精度を向上させる。
そこで我々は, より早い治療率で得られた画像に基づいて, CNNモデルを特定の患者に微調整するトランスファーラーニングアプローチについて検討した。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contouring of the target volume and Organs-At-Risk (OARs) is a crucial step
in radiotherapy treatment planning. In an adaptive radiotherapy setting,
updated contours need to be generated based on daily imaging. In this work, we
leverage personalized anatomical knowledge accumulated over the treatment
sessions, to improve the segmentation accuracy of a pre-trained Convolution
Neural Network (CNN), for a specific patient. We investigate a transfer
learning approach, fine-tuning the baseline CNN model to a specific patient,
based on imaging acquired in earlier treatment fractions. The baseline CNN
model is trained on a prostate CT dataset from one hospital of 379 patients.
This model is then fine-tuned and tested on an independent dataset of another
hospital of 18 patients, each having 7 to 10 daily CT scans. For the prostate,
seminal vesicles, bladder and rectum, the model fine-tuned on each specific
patient achieved a Mean Surface Distance (MSD) of $1.64 \pm 0.43$ mm, $2.38 \pm
2.76$ mm, $2.30 \pm 0.96$ mm, and $1.24 \pm 0.89$ mm, respectively, which was
significantly better than the baseline model. The proposed personalized model
adaptation is therefore very promising for clinical implementation in the
context of adaptive radiotherapy of prostate cancer.
- Abstract（参考訳）: OAR(Organs-At-Risk)は放射線治療計画において重要なステップである。
適応放射線治療では,日々のイメージングに基づいて輪郭の更新が必要となる。
本研究では, 治療セッションに蓄積した解剖学的知識を活用し, 特定の患者に対して, トレーニング済みの畳み込みニューラルネットワーク(CNN)のセグメンテーション精度を向上させる。
我々は, 早期治療分画で得られた画像に基づいて, 特定の患者に対してcnnモデルを微調整し, トランスファーラーニングアプローチを検討する。
cnnモデルの基礎モデルは、379人の患者のある病院の前立腺ctデータセットで訓練される。
このモデルはその後、精細に調整され、18人の患者からなる別の病院の独立したデータセットでテストされる。
前立腺、精巣、膀胱、直腸では、各患者に微調整されたモデルが平均表面距離(MSD)が1.64 pm 0.43$ mm, $2.38 pm 2.76$ mm, $2.30 pm 0.96$ mm, $1.24 pm 0.89$ mm となり、それぞれベースラインモデルよりもかなり良くなった。
提案したパーソナライズドモデル適応は前立腺癌の適応放射線治療の文脈における臨床実装に非常に有望である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。
ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive
Radiation Therapy [2.5705729402510338]
従来型または深層学習(DL)に基づく変形可能な画像登録(DIR)は、多くの状況において改善された結果が得られる。
本稿では,事前学習したDLベースのDIR集団モデルを洗練するためのテスト時間最適化(TTO)手法を提案する。
提案手法は,一般化可能性問題の影響を受けにくく,DLベースのDIRモデルの全体的な性能を向上させることができる。
論文 参考訳（メタデータ） (2022-02-08T16:34:22Z) - Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model? [0.2609639566830968]
グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。
ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
論文 参考訳（メタデータ） (2021-11-26T10:16:57Z) - Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk
Prediction for Radiotherapy [12.05638699290782]
畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。
将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。
私たちは2つの放射線治療データセットでモデルを検証した。
論文 参考訳（メタデータ） (2021-06-16T18:29:16Z) - Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer
Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。
多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。
本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-03-22T06:04:45Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳（メタデータ） (2020-08-20T01:50:49Z) - Surrogate-free machine learning-based organ dose reconstruction for
pediatric abdominal radiotherapy [0.19359975080269876]
最先端の手法は3Dサロゲート解剖学を用いてこれを達成している。
機械学習(ML)に基づくサロゲートフリー線量再構成手法の提案と検証
新たなMLベースの臓器ドレナージ法は,サロゲートのセットアップがもはや不要であるため,精度だけでなく効率も向上する。
論文 参考訳（メタデータ） (2020-02-17T04:19:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。