論文の概要: Rapid treatment planning for low-dose-rate prostate brachytherapy with
TP-GAN
- arxiv url: http://arxiv.org/abs/2103.09996v1
- Date: Thu, 18 Mar 2021 03:02:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 13:55:03.811659
- Title: Rapid treatment planning for low-dose-rate prostate brachytherapy with
TP-GAN
- Title(参考訳): TP-GANによる低用量前立腺切断療法の迅速治療計画
- Authors: Tajwar Abrar Aleef, Ingrid T. Spadinger, Michael D. Peacock, Septimiu
E. Salcudean, S. Sara Mahdavi
- Abstract要約: 低用量前立腺切断療法 (LDR-PB) の治療計画では, 前立腺に最小限の所定の用量を与える埋込み可能な放射性種子の配置を目標としている。
医師の視点からインプラントを「受け入れ可能」とみなすのではなく、この線量基準を満たす複数の種子の配置があります。
LDR-PBデータの大規模プールから学習するモデルをトレーニングすることで、このばらつきを低減する手法を提案する。
- 参考スコア(独自算出の注目度): 9.064664319018064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Treatment planning in low-dose-rate prostate brachytherapy (LDR-PB) aims to
produce arrangement of implantable radioactive seeds that deliver a minimum
prescribed dose to the prostate whilst minimizing toxicity to healthy tissues.
There can be multiple seed arrangements that satisfy this dosimetric criterion,
not all deemed 'acceptable' for implant from a physician's perspective. This
leads to plans that are subjective to the physician's/centre's preference,
planning style, and expertise. We propose a method that aims to reduce this
variability by training a model to learn from a large pool of successful
retrospective LDR-PB data (961 patients) and create consistent plans that mimic
the high-quality manual plans. Our model is based on conditional generative
adversarial networks that use a novel loss function for penalizing the model on
spatial constraints of the seeds. An optional optimizer based on a simulated
annealing (SA) algorithm can be used to further fine-tune the plans if
necessary (determined by the treating physician). Performance analysis was
conducted on 150 test cases demonstrating comparable results to that of the
manual prehistorical plans. On average, the clinical target volume covering
100% of the prescribed dose was 98.9% for our method compared to 99.4% for
manual plans. Moreover, using our model, the planning time was significantly
reduced to an average of 2.5 mins/plan with SA, and less than 3 seconds without
SA. Compared to this, manual planning at our centre takes around 20 mins/plan.
- Abstract(参考訳): 低用量前立腺ブラキセラピー(ldr-pb)の治療計画では、健康な組織への毒性を最小限に抑えながら、最小限の投与量で前立腺に投与可能な放射性種を配置することを目的としている。
このドシメトリックな基準を満たす複数のシードアレンジメントは、すべて医師の視点からは「許容できる」とはみなされない。
これにより、医師やセンターの好み、計画スタイル、専門知識に基づく計画が導かれる。
本稿では,ldr-pbデータの大規模プール(961名)から学ぶためのモデルをトレーニングし,高品質なマニュアルプランを模倣した一貫した計画を作成することにより,この変動を低減しようとする。
本モデルは,種子の空間的制約に対してモデルにペナルティを付与する新たな損失関数を用いた条件付き生成対向ネットワークに基づいている。
シミュレーションアニーリング(sa)アルゴリズムに基づくオプションオプティマイザを使用して、必要に応じて計画をさらに微調整することができる(治療医によって決定される)。
手動の先史学的な計画に匹敵する結果を示す150の試験ケースで性能解析を行った。
平均的に, 処方用量の100%をカバーする臨床対象容積は98.9%であり, マニュアルプランでは99.4%であった。
さらに,本モデルを用いた場合,計画時間は平均2.5分/計画となり,SAなしでは3秒未満であった。
これと比較すると、私たちのセンターでのマニュアルプランニングは約20分/プランです。
関連論文リスト
- Automatic Prostate Volume Estimation in Transabdominal Ultrasound Images [0.15705429611931052]
経直腸超音波(TAUS)は非侵襲的な代替手段を提供するが、画像品質の低下、複雑な解釈、オペレーターの専門知識への依存といった課題に直面している。
本研究では,TAUSを用いたPV自動推定のためのディープラーニングベースのフレームワークを提案する。
前立腺を効果的に分断し、その体積を推定し、早期前立腺検出のための信頼性の高い非侵襲的危険層形成の可能性を提供する。
論文 参考訳(メタデータ) (2025-02-11T16:29:22Z) - Actor Critic with Experience Replay-based automatic treatment planning for prostate cancer intensity modulated radiotherapy [1.5798514473558434]
既存のモデルは大規模で高品質なデータセットを必要とし、普遍的な適用性に欠ける。
我々は、効率的な訓練、広範囲な適用性、および敵対的攻撃に対する自動治療計画のためのポリシーベースのDRLエージェントを開発した。
論文 参考訳(メタデータ) (2025-02-01T07:09:40Z) - Automating proton PBS treatment planning for head and neck cancers using policy gradient-based deep reinforcement learning [0.7519872646378836]
本稿では,PPOアルゴリズムと線量分布に基づく報酬関数を用いた自動治療計画モデルを提案する。
実験的なルールのセットは、ターゲットのボリュームとリスクのある臓器から補助的な計画構造を作成するために使用される。
PPOを用いて訓練された意思決定ポリシーネットワークを開発し、連続的な行動空間において、関連する計画目標パラメータを反復的に調整する。
論文 参考訳(メタデータ) (2024-09-17T22:01:56Z) - 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) - Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。
本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
論文 参考訳(メタデータ) (2023-05-09T11:42:53Z) - 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) - Learning to Efficiently Sample from Diffusion Probabilistic Models [49.58748345998702]
Denoising Diffusion Probabilistic Models (DDPM) は、様々な領域にわたる高忠実度サンプルと競合する対数類似度が得られる。
我々は,事前学習したDDPMに対して最適な離散時間スケジュールを求める,正確な動的プログラミングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-07T17:15:07Z) - A feasibility study of a hyperparameter tuning approach to automated
inverse planning in radiotherapy [68.8204255655161]
本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。
本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。
100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
論文 参考訳(メタデータ) (2021-05-14T18:37:00Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z)
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。