論文の概要: Surrogate-free machine learning-based organ dose reconstruction for
pediatric abdominal radiotherapy
- arxiv url: http://arxiv.org/abs/2002.07161v2
- Date: Wed, 10 Feb 2021 17:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 12:36:33.055915
- Title: Surrogate-free machine learning-based organ dose reconstruction for
pediatric abdominal radiotherapy
- Title（参考訳）: 小児腹部放射線治療におけるサロゲートフリー機械学習を用いた臓器ドレナージ
- Authors: M. Virgolin, Z. Wang, B.V. Balgobind, I.W.E.M. van Dijk, J. Wiersma,
P.S. Kroon, G.O. Janssens, M. van Herk, D.C. Hodgson, L. Zadravec Zaletel,
C.R.N. Rasch, A. Bel, P.A.N. Bosman, T. Alderliesten
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19359975080269876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To study radiotherapy-related adverse effects, detailed dose information (3D
distribution) is needed for accurate dose-effect modeling. For childhood cancer
survivors who underwent radiotherapy in the pre-CT era, only 2D radiographs
were acquired, thus 3D dose distributions must be reconstructed from limited
information. State-of-the-art methods achieve this by using 3D surrogate
anatomies. These can lack personalization and lead to coarse reconstructions.
We present and validate a surrogate-free dose reconstruction method based on
Machine Learning (ML). Abdominal planning CTs ($n$=142) of recently-treated
childhood cancer patients were gathered, their organs at risk were segmented,
and 300 artificial Wilms' tumor plans were sampled automatically. Each
artificial plan was automatically emulated on the 142 CTs, resulting in 42,600
3D dose distributions from which dose-volume metrics were derived. Anatomical
features were extracted from digitally reconstructed radiographs simulated from
the CTs to resemble historical radiographs. Further, patient and radiotherapy
plan features typically available from historical treatment records were
collected. An evolutionary ML algorithm was then used to link features to
dose-volume metrics. Besides 5-fold cross-validation, a further evaluation was
done on an independent dataset of five CTs each associated with two clinical
plans. Cross-validation resulted in Mean Absolute Errors (MAEs) $\leq$0.6 Gy
for organs completely inside or outside the field. For organs positioned at the
edge of the field, MAEs $\leq$1.7 Gy for D$_{mean}$, $\leq$2.9 Gy for
D$_{2cc}$, and $\leq$13% for V$_{5Gy}$ and V$_{10Gy}$, were obtained, without
systematic bias. Similar results were found for the independent dataset. Our
novel, ML-based organ dose reconstruction method is not only accurate but also
efficient, as the setup of a surrogate is no longer needed.
- Abstract（参考訳）: 放射線治療関連副作用を調べるためには,正確な線量効果モデリングには詳細な線量情報(3次元分布)が必要である。
放射線治療を受けた小児がん患者に対しては, 限られた情報から3D線量分布を再構築する必要がある。
最先端の手法は3dサロゲート解剖を用いてこれを達成する。
これらはパーソナライズを欠き、粗い再建につながる可能性がある。
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を行った。
最近治療を受けた小児がん患者の腹部計画cts (n$=142) を収集し, 危険臓器を分割し, 300個の人工ウィルムス腫瘍計画を自動的に採取した。
各人工プランは142のctで自動的にエミュレートされ、42,600の3d線量分布が得られた。
解剖学的特徴は、CTから再現されたデジタル再構成ラジオグラフィーから抽出され、歴史的なラジオグラフィーに類似している。
さらに,既往の治療記録から利用できる患者および放射線治療計画の特徴を収集した。
その後、進化的MLアルゴリズムを使用して、量体積のメトリクスに特徴をリンクした。
5倍のクロスバリデーションに加えて,2つの臨床計画に関連付けられた5つのCTの独立したデータセットに対して,さらなる評価を行った。
クロスバリデーションは、フィールド内外の臓器に対して平均絶対誤差 (maes) $\leq$0.6 gy を発生させた。
フィールドの端に位置する臓器では、maes $\leq$1.7 gy for d$_{mean}$, $\leq$2.9 gy for d$_{2cc}$, $\leq $13% for v$_{5gy}$, v$_{10gy}$が系統的バイアスなしに得られる。
独立データセットでも同様の結果が得られた。
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。
関連論文リスト
- Swin UNETR++: Advancing Transformer-Based Dense Dose Prediction Towards Fully Automated Radiation Oncology Treatments [0.0]
本稿では,DCAモジュールを内蔵したSwin UNETR++を提案する。
私たちのモデルは、Open Knowledge-Based Planningデータセットでトレーニングされ、検証され、テストされました。
論文 参考訳（メタデータ） (2023-11-11T13:52:59Z) - CT Reconstruction from Few Planar X-rays with Application towards
Low-resource Radiotherapy [20.353246282326943]
先行データ分布を用いた5次元平面X線観測からCTボリュームを生成する手法を提案する。
臨床に関連のある特徴に焦点をあてるために,本モデルは訓練中に解剖学的指導を活用できる。
本手法は, 標準画素, 構造レベルの基準値から, 近年のスパースCT再建基準値よりも優れている。
論文 参考訳（メタデータ） (2023-08-04T01:17:57Z) - Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。
3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。
さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
論文 参考訳（メタデータ） (2023-07-27T14:48:02Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。
その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。
肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文 参考訳（メタデータ） (2022-07-27T23:50:47Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - 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) - Patient-Specific Finetuning of Deep Learning Models for Adaptive
Radiotherapy in Prostate CT [1.3124513975412255]
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。
論文 参考訳（メタデータ） (2020-02-17T12:53:37Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。