論文の概要: A deep learning-based framework for segmenting invisible clinical target
volumes with estimated uncertainties for post-operative prostate cancer
radiotherapy
- arxiv url: http://arxiv.org/abs/2004.13294v1
- Date: Tue, 28 Apr 2020 04:29:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 23:53:18.217281
- Title: A deep learning-based framework for segmenting invisible clinical target
volumes with estimated uncertainties for post-operative prostate cancer
radiotherapy
- Title（参考訳）: 前立腺癌術後放射線治療における診断的不確実性を考慮した深層学習に基づく臨床ターゲットボリュームのセグメンテーション
- Authors: Anjali Balagopal, Dan Nguyen, Howard Morgan, Yaochung Weng, Michael
Dohopolski, Mu-Han Lin, Azar Sadeghnejad Barkousaraie, Yesenia Gonzalez,
Aurelie Garant, Neil Desai, Raquibul Hannan, Steve Jiang
- Abstract要約: 前立腺癌に対する術後放射線療法では,前立腺癌は外科的に摘出されているため,照射すべき臨床標的体積(CTV)は腫瘍細胞の顕微鏡的拡散を含んでいる。
現在の臨床実践では、医師は近くの臓器や他の臨床情報との関係に基づいて、手動でCTVを分類する。
本稿では,まず周辺臓器を分割し,次にCTVとの関係を利用してCTVセグメンテーションを支援することによって,この問題を克服する深層学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.6262579136517118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In post-operative radiotherapy for prostate cancer, the cancerous prostate
gland has been surgically removed, so the clinical target volume (CTV) to be
irradiated encompasses the microscopic spread of tumor cells, which cannot be
visualized in typical clinical images such as computed tomography or magnetic
resonance imaging. In current clinical practice, physicians segment CTVs
manually based on their relationship with nearby organs and other clinical
information, per clinical guidelines. Automating post-operative prostate CTV
segmentation with traditional image segmentation methods has been a major
challenge. Here, we propose a deep learning model to overcome this problem by
segmenting nearby organs first, then using their relationship with the CTV to
assist CTV segmentation. The model proposed is trained using labels clinically
approved and used for patient treatment, which are subject to relatively large
inter-physician variations due to the absence of a visual ground truth. The
model achieves an average Dice similarity coefficient (DSC) of 0.87 on a
holdout dataset of 50 patients, much better than established methods, such as
atlas-based methods (DSC<0.7). The uncertainties associated with automatically
segmented CTV contours are also estimated to help physicians inspect and revise
the contours, especially in areas with large inter-physician variations. We
also use a 4-point grading system to show that the clinical quality of the
automatically segmented CTV contours is equal to that of approved clinical
contours manually drawn by physicians.
- Abstract（参考訳）: 前立腺癌術後の放射線療法では, 癌前立腺は外科的に摘出されているため, 照射すべき臨床目標体積(CTV)は腫瘍細胞の顕微鏡的拡散を含み, CTやMRIなどの一般的な臨床画像では可視化できない。
現在の臨床実践では、医師は、臨床ガイドラインに従って、近くの臓器や他の臨床情報との関係に基づいて、手動でCTVを分類する。
従来の画像分割法による術後前立腺CTVセグメンテーションの自動化は大きな課題である。
本稿では,まず周辺臓器を分割し,次にCTVとの関係を利用してCTVセグメンテーションを支援する深層学習モデルを提案する。
提案モデルは, 臨床承認されたラベルを用いて訓練し, 患者治療に使用し, 視覚的根拠の真理が欠如していることから, 比較的大きな体間変動を呈する。
このモデルでは50人の患者から得られる平均Dice類似度係数(DSC)が0.87であり、アトラス法(DSC<0.7)のような確立された方法よりもはるかに優れている。
自動的に分割されたCTV輪郭に関する不確実性も、医師が輪郭を検査し、修正するのに役立つと推定されている。
また, 自動セグメンテーションCTV輪郭の臨床的品質が, 医師が手作業で作成した臨床輪郭と同等であることを示すために, 4点グレーティングシステムを用いた。
関連論文リスト
- An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。
疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
論文 参考訳（メタデータ） (2024-05-03T09:02:17Z) - Graph-based multimodal multi-lesion DLBCL treatment response prediction
from PET images [0.0]
診断後, 標準フロントライン治療における非対応患者数(30～40%)は依然として顕著である。
本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。
複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T08:16:45Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Automated Detection of Coronary Artery Stenosis in X-ray Angiography
using Deep Neural Networks [0.0]
X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。
左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
論文 参考訳（メタデータ） (2021-03-04T11:45:54Z) - PSA-Net: Deep Learning based Physician Style-Aware Segmentation Network
for Post-Operative Prostate Cancer Clinical Target Volume [5.90921279461999]
本研究は,医師スタイルが治療結果と毒性に与える影響について,医師スタイルの一貫性と学習性について検討する。
パーセプチュアルロスで訓練されたエンコーダマルチデコーダネットワークであるドクタースタイルアウェア(PSA)セグメンテーションという概念が提案されている。
論文 参考訳（メタデータ） (2021-02-15T22:42:52Z) - Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。
また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
論文 参考訳（メタデータ） (2021-01-27T08:20:49Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。