論文の概要: Intentional Deep Overfit Learning (IDOL): A Novel Deep Learning Strategy
for Adaptive Radiation Therapy
- arxiv url: http://arxiv.org/abs/2104.11401v1
- Date: Fri, 23 Apr 2021 03:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 13:11:15.705669
- Title: Intentional Deep Overfit Learning (IDOL): A Novel Deep Learning Strategy
for Adaptive Radiation Therapy
- Title（参考訳）: 意図的深層学習(IDOL: Intentional Deep Overfit Learning) : 適応的放射線治療のための新しい深層学習戦略
- Authors: Jaehee Chun (3), Justin C. Park (1), Sven Olberg (1 and 2), You Zhang
(1), Dan Nguyen (1), Jing Wang (1), Jin Sung Kim (3), Steve Jiang (1) ((1)
Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department
of Radiation Oncology, University of Texas Southwestern Medical Center,
Dallas, USA, (2) Department of Biomedical Engineering, Washington University
in St. Louis, St. Louis, USA, (3) Department of Radiation Oncology, Yonsei
Cancer Center, Yonsei University College of Medicine, Seoul, South Korea)
- Abstract要約: そこで本研究では,ARTワークフローの事前情報から拡張した患者固有のトレーニングデータセットに,意図的にオーバーフィットしたモデルの振る舞いを活用する,患者固有のパフォーマンスのための DL フレームワークを提案する。
放射線治療におけるIDOLフレームワークの実装は、1)従来のDLアプローチと同様に、N患者の多様なトレーニングデータセットを備えた一般モデルを訓練する、2)この一般モデルを、利用可能なタスクおよび患者固有の事前情報の摂動および増強によって生成された小さなトレーニングデータセット固有の関心患者(N+1)に意図的にオーバーフィットする、という2つのトレーニング段階からなる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose a tailored DL framework for patient-specific
performance that leverages the behavior of a model intentionally overfitted to
a patient-specific training dataset augmented from the prior information
available in an ART workflow - an approach we term Intentional Deep Overfit
Learning (IDOL). Implementing the IDOL framework in any task in radiotherapy
consists of two training stages: 1) training a generalized model with a diverse
training dataset of N patients, just as in the conventional DL approach, and 2)
intentionally overfitting this general model to a small training
dataset-specific the patient of interest (N+1) generated through perturbations
and augmentations of the available task- and patient-specific prior information
to establish a personalized IDOL model. The IDOL framework itself is
task-agnostic and is thus widely applicable to many components of the ART
workflow, three of which we use as a proof of concept here: the auto-contouring
task on re-planning CTs for traditional ART, the MRI super-resolution (SR) task
for MRI-guided ART, and the synthetic CT (sCT) reconstruction task for MRI-only
ART. In the re-planning CT auto-contouring task, the accuracy measured by the
Dice similarity coefficient improves from 0.847 with the general model to 0.935
by adopting the IDOL model. In the case of MRI SR, the mean absolute error
(MAE) is improved by 40% using the IDOL framework over the conventional model.
Finally, in the sCT reconstruction task, the MAE is reduced from 68 to 22 HU by
utilizing the IDOL framework.
- Abstract（参考訳）: 本研究では,アートワークフローで利用可能な事前情報から拡張された患者固有のトレーニングデータセットに故意に過剰適合したモデルの振る舞いを活用する,患者固有のパフォーマンスのためのカスタマイズされたdlフレームワークを提案する。
放射線治療における任意のタスクにおけるIDOLフレームワークの実装には,1) 従来のDLアプローチと同じように,N 患者の多様なトレーニングデータセットを用いた一般モデルのトレーニング,2) パーソナライズされた IDOL モデルを確立するために利用可能なタスクおよび患者固有の事前情報の摂動および拡張によって生成された興味のある患者 (N+1) を意図的に訓練データセットに適合させる2つの訓練段階がある。
IDOLフレームワーク自体はタスクに依存しないため、ARTワークフローの多くのコンポーネントに適用可能である。これらのうち3つは、従来のARTのCT再計画タスク、MRI誘導ARTのMRI超解像(SR)タスク、MRIのみのARTの合成CT(sCT)再構成タスクである。
再計画ctオートコントリゲーション作業では、dice類似度係数で測定した精度が一般モデルで0.847から0.935に向上した。
MRI SRの場合、平均絶対誤差(MAE)は従来のモデルよりもIDOLフレームワークを用いて40%向上する。
最後に、sct再構築タスクでは、idolフレームワークを利用してmaeを68から22huに削減する。
関連論文リスト
- Towards a vision foundation model for comprehensive assessment of Cardiac MRI [11.838157772803282]
心臓磁気共鳴画像(CMR)評価のための視覚基礎モデルを提案する。
CMRワークフローに典型的な9つの臨床的タスクについて、教師付き方法でモデルを微調整する。
すべてのタスクにおいて、ラベル付きデータセットサイズの範囲で、精度と堅牢性が改善されたことを実証する。
論文 参考訳（メタデータ） (2024-10-02T15:32:01Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳（メタデータ） (2022-06-24T08:16:01Z) - 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) - 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) - Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic
Stroke Onset Time [7.024121839235693]
急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。
原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。
臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
論文 参考訳（メタデータ） (2020-11-05T18:28:54Z) - Democratizing Artificial Intelligence in Healthcare: A Study of Model
Development Across Two Institutions Incorporating Transfer Learning [8.043077408518826]
トランスファーラーニング(TL)は、非常に小さなローカルデータセットを使用して、ある機関から完全に訓練されたモデルを他の機関によって微調整することを可能にする。
本稿では,基本的なユースケースを対象としたAIモデル開発におけるTLの課題,方法論,メリットについて述べる。
論文 参考訳（メタデータ） (2020-09-25T21:12:50Z) - Knowledge Distillation for Brain Tumor Segmentation [0.0]
本研究では,学習過程におけるモデルの性能とデータ量との関係について検討する。
追加データでトレーニングされた単一のモデルは、複数のモデルのアンサンブルに近いパフォーマンスを達成し、個々のメソッドより優れています。
論文 参考訳（メタデータ） (2020-02-10T12:44:07Z)
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。