論文の概要: Dose Prediction with Deep Learning for Prostate Cancer Radiation Therapy: Model Adaptation to Different Treatment Planning Practices

• arxiv url: http://arxiv.org/abs/2006.16481v1
• Date: Tue, 30 Jun 2020 02:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:33:47.093274
• Title: Dose Prediction with Deep Learning for Prostate Cancer Radiation Therapy: Model Adaptation to Different Treatment Planning Practices
• Title（参考訳）: 前立腺癌放射線治療における深層学習による線量予測 : 異なる治療計画へのモデル適応
• Authors: Roya Norouzi Kandalan, Dan Nguyen, Nima Hassan Rezaeian, Ana M. Barragan-Montero, Sebastiaan Breedveld, Kamesh Namuduri, Steve Jiang, Mu-Han Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8670586700578626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to study the generalizability of a pre-developed deep learning (DL) dose prediction model for volumetric modulated arc therapy (VMAT) for prostate cancer and to adapt the model to three different internal treatment planning styles and one external institution planning style. We built the source model with planning data from 108 patients previously treated with VMAT for prostate cancer. For the transfer learning, we selected patient cases planned with three different styles from the same institution and one style from a different institution to adapt the source model to four target models. We compared the dose distributions predicted by the source model and the target models with the clinical dose predictions and quantified the improvement in the prediction quality for the target models over the source model using the Dice similarity coefficients (DSC) of 10% to 100% isodose volumes and the dose-volume-histogram (DVH) parameters of the planning target volume and the organs-at-risk. The source model accurately predicts dose distributions for plans generated in the same source style but performs sub-optimally for the three internal and one external target styles, with the mean DSC ranging between 0.81-0.94 and 0.82-0.91 for the internal and the external styles, respectively. With transfer learning, the target model predictions improved the mean DSC to 0.88-0.95 and 0.92-0.96 for the internal and the external styles, respectively. Target model predictions significantly improved the accuracy of the DVH parameter predictions to within 1.6%. We demonstrated model generalizability for DL-based dose prediction and the feasibility of using transfer learning to solve this problem. With 14-29 cases per style, we successfully adapted the source model into several different practice styles. This indicates a realistic way to widespread clinical implementation of DL-based dose prediction.
• Abstract（参考訳）: 本研究の目的は,前立腺癌に対する体積変調アーク療法(VMAT)のための先進的深層学習(DL)線量予測モデルの一般化可能性について検討し,そのモデルを3種類の内的治療計画スタイルと1つの外部機関計画スタイルに適用することである。 前立腺癌に対するvmat治療を施行した108例の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。 対象モデルと対象モデルで予測した線量分布と臨床線量予測値を比較し,Dice similarity coefficients (DSC) of 10% to 100% isodose volume and the dose-volume-histogram parameters of the planning target volume and the organs-at-riskを用いて,対象モデルに対する予測精度の向上を定量化した。 ソースモデルは、同一のソーススタイルで生成されたプランの線量分布を正確に予測するが、3つの内部ターゲットスタイルと1つの外部ターゲットスタイルに対して、それぞれ平均DSCが0.81-0.94と0.82-0.91の範囲で準最適に実行する。 伝達学習では, 対象モデルの予測により, dsc平均値が0.88-0.95, 0.92-0.96に改善した。 ターゲットモデル予測はDVHパラメータ予測の精度を1.6%以内に改善した。 dlに基づく線量予測のモデル一般化可能性とトランスファー・ラーニングによる解決の可能性を示した。 14-29ケースのスタイルで、ソースモデルをいくつかの異なるプラクティススタイルに適合させました。 このことは、DLベースの線量予測の広範な臨床実践への現実的な方法を示している。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• 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)
• Developing and validating multi-modal models for mortality prediction in COVID-19 patients: a multi-center retrospective study [1.5308395762165423]
  マルチセンター患者データを用いて、新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と検証を行った。 私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
  論文  参考訳（メタデータ） (2021-09-01T04:46:27Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy [0.5735035463793008]
  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。
  論文  参考訳（メタデータ） (2020-06-19T17:15:45Z)
• 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)

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。