論文の概要: Deep Dose Plugin Towards Real-time Monte Carlo Dose Calculation Through
a Deep Learning based Denoising Algorithm
- arxiv url: http://arxiv.org/abs/2011.14959v2
- Date: Wed, 23 Dec 2020 16:57:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:42:48.274452
- Title: Deep Dose Plugin Towards Real-time Monte Carlo Dose Calculation Through
a Deep Learning based Denoising Algorithm
- Title（参考訳）: ディープラーニングに基づくDenoisingアルゴリズムによるリアルタイムモンテカルロ線量計算に向けたDeep Dose Plugin
- Authors: Ti Bai, Biling Wang, Dan Nguyen, Steve Jiang
- Abstract要約: モンテカルロ (MC) シミュレーションは放射線治療用線量計算の金標準法であると考えられている。
コンピュータグラフィックス処理ユニット(GPU)の使用は、MCシミュレーションを大幅に加速した。
いくつかの臨床応用では、MC線量計算のリアルタイム効率が要求される。
我々は、現在のGPUベースのMC線量エンジンに接続できるリアルタイムのディープラーニングベースの線量デノイザを開発した。
- 参考スコア（独自算出の注目度）: 1.1852406625172216
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Monte Carlo (MC) simulation is considered the gold standard method for
radiotherapy dose calculation. However, achieving high precision requires a
large number of simulation histories, which is time consuming. The use of
computer graphics processing units (GPUs) has greatly accelerated MC simulation
and allows dose calculation within a few minutes for a typical radiotherapy
treatment plan. However, some clinical applications demand real time efficiency
for MC dose calculation. To tackle this problem, we have developed a real time,
deep learning based dose denoiser that can be plugged into a current GPU based
MC dose engine to enable real time MC dose calculation. We used two different
acceleration strategies to achieve this goal: 1) we applied voxel unshuffle and
voxel shuffle operators to decrease the input and output sizes without any
information loss, and 2) we decoupled the 3D volumetric convolution into a 2D
axial convolution and a 1D slice convolution. In addition, we used a weakly
supervised learning framework to train the network, which greatly reduces the
size of the required training dataset and thus enables fast fine tuning based
adaptation of the trained model to different radiation beams. Experimental
results show that the proposed denoiser can run in as little as 39 ms, which is
around 11.6 times faster than the baseline model. As a result, the whole MC
dose calculation pipeline can be finished within 0.15 seconds, including both
GPU MC dose calculation and deep learning based denoising, achieving the real
time efficiency needed for some radiotherapy applications, such as online
adaptive radiotherapy.
- Abstract（参考訳）: モンテカルロ (MC) シミュレーションは放射線治療用線量計算の金標準法であると考えられている。
しかし、高精度を実現するには多くのシミュレーション履歴が必要であり、これは時間を要する。
コンピュータグラフィックス処理ユニット(GPU)の使用はMCシミュレーションを大幅に加速し、典型的な放射線治療計画のために数分以内に線量計算を可能にした。
しかし、いくつかの臨床応用では、MC線量計算のリアルタイム効率が要求される。
この問題に対処するため,我々は,リアルタイムMC線量計算を実現するために,現在のGPUベースのMC線量エンジンに接続可能なリアルタイム深層学習ベースの線量デノイザを開発した。
この目的を達成するために,(1)voxelアンシャッフルとvoxelシャッフル演算子を適用し,情報損失のない入出力サイズを低減し,2)3次元体積畳み込みを2次元軸畳み込みと1次元スライス畳み込みに分離した。
さらに、弱教師付き学習フレームワークを用いてネットワークをトレーニングし、必要なトレーニングデータセットのサイズを大幅に削減し、訓練されたモデルの異なる放射線ビームへの高速な微調整を可能とした。
実験の結果,提案したデノイザは39msで動作可能であり,ベースラインモデルよりも約11.6倍高速であることがわかった。
結果として、MC線量計算パイプライン全体が0.15秒以内で完了し、GPU MC線量計算とディープラーニングに基づく denoising の両方が含まれ、オンライン適応放射線治療のような放射線治療応用に必要なリアルタイム効率を達成することができる。
関連論文リスト
- Enabling High-Sparsity Foundational Llama Models with Efficient Pretraining and Deployment [56.44025052765861]
大規模言語モデル(LLM)は自然言語処理(NLP)に革命をもたらしたが、そのサイズは計算のボトルネックを生み出している。
そこで本研究では,高性能LLMの高精度かつ疎結合な基本バージョンを作成するための新しいアプローチを提案する。
スパース量子化LLaMAの最大8.6倍のCPU上での総高速化を示す。
論文 参考訳（メタデータ） (2024-05-06T16:03:32Z) - Edge-Enabled Real-time Railway Track Segmentation [0.0]
エッジ対応鉄道線路分割アルゴリズムを提案する。
ネットワーク構造を最適化し、トレーニング後のモデルを定量化することで、エッジアプリケーションに適したように最適化されている。
実験結果から,提案アルゴリズムの精度は83.3%であった。
論文 参考訳（メタデータ） (2024-01-21T13:45:52Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - FINETUNA: Fine-tuning Accelerated Molecular Simulations [5.543169726358164]
本稿では,原子系のシミュレーションを効率的かつ正確に高速化するためのオンライン能動的学習フレームワークを提案する。
事前学習されたモデルから事前情報を組み込む伝達学習法は、DFT計算の数を91%減らしてシミュレーションを加速する。
30個のベンチマーク吸着剤触媒系の実験により,事前学習したモデルから事前情報を組み込むトランスファー学習法がシミュレーションを加速し,DFT計算の数を91%削減した。
論文 参考訳（メタデータ） (2022-05-02T21:36:01Z) - Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。
本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。
現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
論文 参考訳（メタデータ） (2022-04-14T17:46:26Z) - Learning the Physics of Particle Transport via Transformers [0.0]
単エネルギー陽子ビームで堆積した線量を予測するデータ駆動線量計算アルゴリズムを提案する。
提案手法は,現在の臨床解析用鉛筆法よりも33倍高速である。
我々のモデルは、これまでリアルタイム適応プロトン処理を禁止してきた大きな障害を克服する可能性がある。
論文 参考訳（メタデータ） (2021-09-08T22:26:03Z) - A Machine-learning Based Initialization for Joint Statistical Iterative
Dual-energy CT with Application to Proton Therapy [9.887533541077193]
CNNに基づくシミュレーション手法を導入し,反復アルゴリズムの計算時間を短縮する。
本手法は, 脂肪, ファントム扁桃, 筋肉組織に対する評価精度を大幅に向上させるとともに, 鑑別画像を生成する。
論文 参考訳（メタデータ） (2021-07-30T23:49:22Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォーム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） (2021-07-16T12:56:09Z) - Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。
単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。
バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
論文 参考訳（メタデータ） (2021-03-12T00:22:50Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z)
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。