論文の概要: Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy

• arxiv url: http://arxiv.org/abs/2006.11236v1
• Date: Fri, 19 Jun 2020 17:15:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 05:16:45.957776
• Title: Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy
• Title（参考訳）: 深層学習による強度変調放射線治療のためのビーム可変パレート最適線量分布予測
• Authors: Gyanendra Bohara, Azar Sadeghnejad Barkousaraie, Steve Jiang, Dan Nguyen
• Abstract要約: 我々は、2つの異なるビーム構成モードで予測する2つのディープラーニングネットワークを実装し、比較する。 モデルIとモデルIIの2つのモデルについて検討・比較を行った。 我々の深層学習モデルは、地上の真理線量分布と正確に一致したボクセルレベルの線量分布を予測した。
• 参考スコア（独自算出の注目度）: 0.5735035463793008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose to develop deep learning models that can predict Pareto optimal dose distributions by using any given set of beam angles, along with patient anatomy, as input to train the deep neural networks. We implement and compare two deep learning networks that predict with two different beam configuration modalities. We generated Pareto optimal plans for 70 patients with prostate cancer. We used fluence map optimization to generate 500 IMRT plans that sampled the Pareto surface for each patient, for a total of 35,000 plans. We studied and compared two different models, Model I and Model II. Model I directly uses beam angles as a second input to the network as a binary vector. Model II converts the beam angles into beam doses that are conformal to the PTV. Our deep learning models predicted voxel-level dose distributions that precisely matched the ground truth dose distributions. Quantitatively, Model I prediction error of 0.043 (confirmation), 0.043 (homogeneity), 0.327 (R50), 2.80% (D95), 3.90% (D98), 0.6% (D50), 1.10% (D2) was lower than that of Model II, which obtained 0.076 (confirmation), 0.058 (homogeneity), 0.626 (R50), 7.10% (D95), 6.50% (D98), 8.40% (D50), 6.30% (D2). Treatment planners who use our models will be able to use deep learning to control the tradeoffs between the PTV and OAR weights, as well as the beam number and configurations in real time. Our dose prediction methods provide a stepping stone to building automatic IMRT treatment planning.
• Abstract（参考訳）: 深層ニューラルネットワークを学習するための入力として,任意のビーム角と患者解剖を用いて,パレートの最適線量分布を予測できるディープラーニングモデルを提案する。 2つの異なるビーム構成モードで予測する2つのディープラーニングネットワークを実装し,比較した。 前立腺癌70例に対してparetooptimize planを作成した。 フルエンスマップを用いた500 IMRT プランの作成を行い,各患者のパレート表面を35,000 のプランでサンプリングした。 モデルiとモデルiiの2つの異なるモデルを調査し比較した。 モデルiは2進ベクトルとしてネットワークへの第2の入力としてビーム角を直接使用する。 モデルIIは、ビーム角をPTVに適合するビーム線量に変換する。 深層学習モデルは,真理線量分布と正確に一致したボクセルレベル線量分布を予測した。 定量的に、モデルiの予測誤差は 0.043 (確認), 0.043 (均質性), 0.327 (r50), 2.80% (d95), 3.90% (d98), 0.6% (d50), 1.10% (d2) であり、 0.076 (確認), 0.058 (均質性), 0.626 (r50), 7.10% (d95), 6.50% (d98), 8.40% (d50), 6.30% (d2) であった。 私たちのモデルを使用する治療プランナーは、ディープラーニングを使用して、PTVとOARの重量とビーム番号と構成のトレードオフをリアルタイムで制御することができます。 我々の線量予測法は自動IMRT治療計画の立脚石を提供する。

関連論文リスト

• Machine learning for prediction of dose-volume histograms of organs-at-risk in prostate cancer from simple structure volume parameters [3.08257604678684]
  本研究は, 対象臓器, リスク構造臓器および重複部位から, 直腸および膀胱の線量量を予測することを目的とした。 いくつかの統計的モデリング、機械学習、新しいファジィルールに基づく予測モデルについて検討し、検証した。
  論文  参考訳（メタデータ） (2024-11-08T07:19:49Z)
• 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)
• Step-DPO: Step-wise Preference Optimization for Long-chain Reasoning of LLMs [54.05511925104712]
  本稿では,Step-DPOと呼ばれるシンプルで効果的でデータ効率のよい手法を提案する。 Step-DPOは、個々の推論ステップを、論理的に回答を評価するのではなく、優先最適化の単位として扱う。 以上の結果から,70B パラメータ以上のモデルでは,10K の選好データペアと500 Step-DPO トレーニングステップ以下では,MATH の精度が約3%向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-06-26T17:43:06Z)
• OpenKBP-Opt: An international and reproducible evaluation of 76 knowledge-based planning pipelines [48.547200649819615]
  放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。 当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
  論文  参考訳（メタデータ） (2022-02-16T19:18:42Z)
• 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)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Dose Prediction with Deep Learning for Prostate Cancer Radiation Therapy: Model Adaptation to Different Treatment Planning Practices [1.8670586700578626]
  前立腺癌に対して,前立腺癌に対してVMATを併用した108例の計画データを用いてソースモデルを構築した。 移行学習では,同一施設から3つの異なるスタイルと異なる施設から1つのスタイルの患者を選別し,ソースモデルを4つのターゲットモデルに適応させた。 本研究では,DLに基づく線量予測のためのモデル一般化可能性と,この問題を解決するためにトランスファーラーニング(transfer learning)を用いることの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-30T02:24:44Z)
• Deep Learning Based Detection and Localization of Intracranial Aneurysms in Computed Tomography Angiography [5.973882600944421]
  初期動脈瘤検出のための3D領域提案ネットワークと偽陽性縮小のための3D DenseNetという2段階モデルが実装された。 本モデルでは,0.25FPPV,最高F-1スコアと比較すると,統計的に高い精度,感度,特異性を示した。
  論文  参考訳（メタデータ） (2020-05-22T10:49:23Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• Robust Self-Supervised Learning of Deterministic Errors in Single-Plane (Monoplanar) and Dual-Plane (Biplanar) X-ray Fluoroscopy [2.7528170226206443]
  ビデオフレームレートでX線像を撮影する蛍光画像は、血管外科医や介入放射線技師によるカテーテル挿入を導くのに有利である。 ダイナミックな動きを非侵襲的に可視化することで、複雑な手術を患者に対してより少ない外傷で行うことができる。 本稿では,単平面および二重平面蛍光法に適した頑健な自己校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-03T01:56:21Z)

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。