論文の概要: Dosimetric impact of physician style variations in contouring CTV for post-operative prostate cancer: A deep learning based simulation study

• arxiv url: http://arxiv.org/abs/2102.01006v1
• Date: Mon, 1 Feb 2021 17:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 16:14:55.780018
• Title: Dosimetric impact of physician style variations in contouring CTV for post-operative prostate cancer: A deep learning based simulation study
• Title（参考訳）: 術後前立腺癌に対するctvコントーリングにおける医師スタイルの変化のドシメトリー効果:深層学習に基づくシミュレーション研究
• Authors: Anjali Balagopal, Dan Nguyen, Maryam Mashayekhi, Howard Morgan, Aurelie Garant, Neil Desai, Raquibul Hannan, Mu-Han Lin, Steve Jiang
• Abstract要約: 腫瘍のセグメンテーションでは、オブザーバ間変異が重要な問題であることが認識されている。 本研究では, 深層学習を用いて臨床ワークフローをシミュレートすることにより, これらの医師のスタイル変化が臓器リスク量(OAR)に与える影響を解析した。
• 参考スコア（独自算出の注目度）: 0.6464439696329373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In tumor segmentation, inter-observer variation is acknowledged to be a significant problem. This is even more significant in clinical target volume (CTV) segmentation, specifically, in post-operative settings, where a gross tumor does not exist. In this scenario, CTV is not an anatomically established structure but rather one determined by the physician based on the clinical guideline used, the preferred trade off between tumor control and toxicity, their experience, training background etc... This results in high inter-observer variability between physicians. Inter-observer variability has been considered an issue, however its dosimetric consequence is still unclear, due to the absence of multiple physician CTV contours for each patient and the significant amount of time required for dose planning. In this study, we analyze the impact that these physician stylistic variations have on organs-at-risk (OAR) dose by simulating the clinical workflow using deep learning. For a given patient previously treated by one physician, we use DL-based tools to simulate how other physicians would contour the CTV and how the corresponding dose distributions should look like for this patient. To simulate multiple physician styles, we use a previously developed in-house CTV segmentation model that can produce physician style-aware segmentations. The corresponding dose distribution is predicted using another in-house deep learning tool, which, averaging across all structures, is capable of predicting dose within 3% of the prescription dose on the test data. For every test patient, four different physician-style CTVs are considered and four different dose distributions are analyzed. OAR dose metrics are compared, showing that even though physician style variations results in organs getting different doses, all the important dose metrics except Maximum Dose point are within the clinically acceptable limit.
• Abstract（参考訳）: 腫瘍のセグメンテーションでは、オブザーバ間変異が重要な問題であることが認識されている。 これは、臨床標的量(CTV)セグメント化、特に術後設定において、総腫瘍が存在しない場合にさらに重要である。 このシナリオでは、CTVは解剖学的に確立された構造ではなく、医師が使用する臨床ガイドライン、腫瘍の制御と毒性のトレードオフ、経験、トレーニングの背景などに基づいて決定するものである。 この結果、医師間のオブザーバ間の変動性が高まる。 オブザーバ間の変動性は問題視されているが、各患者に複数のctvパターンがないため、線量計画に必要なかなりの時間を要するため、その線量測定結果はまだ不明である。 本研究では,これらのスタイリスティックな変化が臓器リスク(oar)線量に与える影響を,深層学習による臨床ワークフローのシミュレーションにより解析する。 ある医師が以前に治療した患者に対しては、DLベースのツールを使用して、他の医師がCTVをどのように輪郭化し、対応する線量分布がこの患者にどのように見えるかをシミュレートします。 複数の医師のスタイルをシミュレートするために、既存の社内ctvセグメンテーションモデルを使用し、医師のスタイルを認識できるセグメンテーションを生成する。 対応する線量分布は、すべての構造に平均して、試験データ上の処方用量の3%以内の線量を予測することができる、別の社内ディープラーニングツールを使用して予測される。 各検査患者に対して,4種類の異なる医師型ctvが検討され,4種類の線量分布が解析された。 OAR線量測定値を比較すると、医師スタイルの変動は臓器に異なる線量を与えても、最大線量点を除くすべての重要な線量測定値が臨床的に許容される限界内にあることを示している。

関連論文リスト

• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Bayesian approaches for Quantifying Clinicians' Variability in Medical Image Quantification [0.16314780449435543]
  深層ニューラルネットワークによってパラメータ化されたベイズ予測分布は,臨床医のイントラ変動を近似できることを示した。 臨床測定の不確実性を提供することにより,医療画像の定量的分析における新たな視点を示す。
  論文  参考訳（メタデータ） (2022-07-05T08:04:02Z)
• MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation [47.428577772279176]
  本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。 実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。 提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
  論文  参考訳（メタデータ） (2021-09-18T11:13:45Z)
• 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)
• Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
  大動脈径の直接推定のための教師付き深層学習法を提案する。 提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。 全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
  論文  参考訳（メタデータ） (2020-09-09T18:28:00Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  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。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A deep learning-based framework for segmenting invisible clinical target volumes with estimated uncertainties for post-operative prostate cancer radiotherapy [0.6262579136517118]
  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。
  論文  参考訳（メタデータ） (2020-04-28T04:29:46Z)

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。