論文の概要: iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry
- arxiv url: http://arxiv.org/abs/2008.08730v1
- Date: Thu, 20 Aug 2020 01:50:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 04:17:37.155757
- Title: iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry
- Title（参考訳）: iphantom:個別計算ファントムの自動作成のためのフレームワークとそのct臓器線量計への応用
- Authors: Wanyi Fu, Shobhit Sharma, Ehsan Abadi, Alexandros-Stavros Iliopoulos,
Qi Wang, Joseph Y. Lo, Xiaobai Sun, William P. Segars, Ehsan Samei
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 58.943644554192936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: This study aims to develop and validate a novel framework,
iPhantom, for automated creation of patient-specific phantoms or digital-twins
(DT) using patient medical images. The framework is applied to assess radiation
dose to radiosensitive organs in CT imaging of individual patients. Method:
From patient CT images, iPhantom segments selected anchor organs (e.g. liver,
bones, pancreas) using a learning-based model developed for multi-organ CT
segmentation. Organs challenging to segment (e.g. intestines) are incorporated
from a matched phantom template, using a diffeomorphic registration model
developed for multi-organ phantom-voxels. The resulting full-patient phantoms
are used to assess organ doses during routine CT exams. Result: iPhantom was
validated on both the XCAT (n=50) and an independent clinical (n=10) dataset
with similar accuracy. iPhantom precisely predicted all organ locations with
good accuracy of Dice Similarity Coefficients (DSC) >0.6 for anchor organs and
DSC of 0.3-0.9 for all other organs. iPhantom showed less than 10% dose errors
for the majority of organs, which was notably superior to the state-of-the-art
baseline method (20-35% dose errors). Conclusion: iPhantom enables automated
and accurate creation of patient-specific phantoms and, for the first time,
provides sufficient and automated patient-specific dose estimates for CT
dosimetry. Significance: The new framework brings the creation and application
of CHPs to the level of individual CHPs through automation, achieving a wider
and precise organ localization, paving the way for clinical monitoring, and
personalized optimization, and large-scale research.
- Abstract（参考訳）: 目的:本研究の目的は,患者固有の幻覚やデジタル双眼鏡(DT)の自動作成のための新しい枠組みである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。
方法: マルチオルガンctセグメンテーションのための学習モデルを用いて, 患者ct画像からiphantomセグメントがアンカーオルガン(肝臓, 骨, 膵など)を選択した。
セグメンテーションに挑戦する臓器(例えば腸)は、多臓器ファントム・ボクセル用に開発された微分型登録モデルを用いて、一致したファントムテンプレートから組み込まれる。
結果として生じる全患者ファントムは、定期的なCT検査中に臓器投与量を評価するために使用される。
結果: iPhantom は XCAT (n=50) と独立臨床 (n=10) データセットの両方で同様の精度で検証された。
iPhantomは、アンカー臓器の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た。
iPhantomはほとんどの臓器に対して10%以下の線量誤差を示したが、これは最先端のベースライン法(20-35%の線量誤差)よりも優れていた。
結論: iphantomは患者固有のファントムを自動的かつ正確に作成でき、初めて、ct線量測定のために患者固有の線量推定を十分かつ自動化する。
意義: 新しいフレームワークは、自動化によって個々のCHPのレベルにCHPの作成と適用をもたらし、より広く正確に臓器の局在化を実現し、臨床モニタリングとパーソナライズされた最適化、そして大規模研究を可能にします。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Scout-Net: Prospective Personalized Estimation of CT Organ Doses from
Scout Views [5.072398805780053]
我々は,CTスキャンのリアルタイム,患者特異的,臓器レベルのドシメトリ推定を行うために,エンドツーエンド,完全自動ディープラーニングソリューションを提案する。
提案したScout-Netモデルと実際のCTデータとを比較検討し,臓器線量推定の有効性を実時間で検証した。
論文 参考訳（メタデータ） (2023-12-23T21:33:42Z) - DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning
approach for thoracic aorta segmentation and aneurysm prediction using
computed tomography scans [2.3135717943756307]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。
その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。
本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。
新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
論文 参考訳（メタデータ） (2023-10-23T19:48:58Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Generative Models Improve Radiomics Performance in Different Tasks and
Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。
生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文 参考訳（メタデータ） (2021-09-06T06:01:21Z) - Comprehensive Validation of Automated Whole Body Skeletal Muscle,
Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition
Analysis: Towards Extended Body Composition [0.6176955945418618]
ディープラーニングのような強力な人工知能のツールは、3D画像全体を分割し、すべての内部解剖の正確な測定を生成することができるようになった。
これにより、これまで存在した深刻なボトルネック、すなわち手動セグメンテーションの必要性の克服が可能になる。
これらの測定は不可能であったため、フィールドを非常に小さく限られたサブセットに制限した。
論文 参考訳（メタデータ） (2021-06-01T17:30:45Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z)
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。