論文の概要: A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy

• arxiv url: http://arxiv.org/abs/2105.07024v1
• Date: Fri, 14 May 2021 18:37:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 05:59:39.380765
• Title: A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy
• Title（参考訳）: 放射線治療における自動逆計画法へのハイパーパラメータチューニング手法の適用性の検討
• Authors: Kelsey Maass and Aleksandr Aravkin and Minsun Kim
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiotherapy inverse planning requires treatment planners to modify multiple parameters in the objective function to produce clinically acceptable plans. Due to manual steps in this process, plan quality can vary widely depending on planning time available and planner's skills. The purpose of this study is to automate the inverse planning process to reduce active planning time while maintaining plan quality. We propose a hyperparameter tuning approach for automated inverse planning, where a treatment plan utility is maximized with respect to the limit dose parameters and weights of each organ-at-risk (OAR) objective. Using 6 patient cases, we investigated the impact of the choice of dose parameters, random and Bayesian search methods, and utility function form on planning time and plan quality. For given parameters, the plan was optimized in RayStation, using the scripting interface to obtain the dose distributions deliverable. We normalized all plans to have the same target coverage and compared the OAR dose metrics in the automatically generated plans with those in the manually generated clinical plans. Using 100 samples was found to produce satisfactory plan quality, and the average planning time was 2.3 hours. The OAR doses in the automatically generated plans were lower than the clinical plans by up to 76.8%. When the OAR doses were larger than the clinical plans, they were still between 0.57% above and 98.9% below the limit doses, indicating they are clinically acceptable. For a challenging case, a dimensionality reduction strategy produced a 92.9% higher utility using only 38.5% of the time needed to optimize over the original problem. This study demonstrates our hyperparameter tuning framework for automated inverse planning can significantly reduce the treatment planner's planning time with plan quality that is similar to or better than manually generated plans.
• Abstract（参考訳）: 放射線治療の逆計画には、治療計画立案者が目的関数の複数のパラメータを変更して臨床的に許容される計画を作成する必要がある。 このプロセスにおける手動のステップのため、プランクオリティは利用可能な計画時間とプランナーのスキルによって大きく異なる。 本研究の目的は,計画品質を維持しつつ,能動的計画時間を短縮する逆計画プロセスを自動化することである。 本稿では,各臓器リスク(oar)目標の限界線量パラメータと重量について,治療計画の有用性を最大化する,自動逆計画のためのハイパーパラメータチューニング手法を提案する。 6例の患者を用いて, 線量パラメータ, ランダムおよびベイズ探索法, 実用機能形態の選択が計画時間および計画品質に及ぼす影響を検討した。 与えられたパラメータに対して、計画はRayStationで最適化され、スクリプティングインターフェイスを使用して配布可能な線量分布を得る。 私たちは、同じ対象範囲を持つすべての計画の標準化を行い、自動生成した計画のオール線量メトリクスと手作業で生成された臨床計画のそれとを比較した。 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。 自動生成計画におけるOAR投与量は、臨床計画よりも76.8%低かった。 oarの投与量が臨床計画より大きい場合、限界線量よりも0.57%以上98.9%以下であり、臨床上許容であることを示している。 難しいケースでは、次元削減戦略が92.9%高いユーティリティを生み出し、元の問題を最適化するのに必要な時間の38.5%しかかからなかった。 本研究は,自動逆計画のためのハイパーパラメータチューニングフレームワークが,手作業で生成した計画と類似あるいは良好な計画品質で,治療プランナーの計画時間を著しく短縮できることを実証する。

関連論文リスト

• 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)
• Automated radiotherapy treatment planning guided by GPT-4Vision [27.56613357226252]
  本稿では,完全に自動化された治療計画フレームワークであるGPT-RadPlanを紹介する。 GPT-RadPlanはOpenAIのGPT-4Vision (GPT-4V)のような多モードの大規模言語モデルで符号化された放射線オンコロジーの知識を利用する。 GPT-RadPlanはAPIを通じて社内の逆処理計画システムに統合されます。
  論文  参考訳（メタデータ） (2024-06-21T19:23:03Z)
• Automatic laminectomy cutting plane planning based on artificial intelligence in robot assisted laminectomy surgery [9.382465733936824]
  自動積層切削平面計画のための2段階のアプローチを提案する。 第1段階では、各CT画像に7つのキーポイントを手動で印付けした。 第2段階では、各椎骨に対してパーソナライズされた座標系が生成される。
  論文  参考訳（メタデータ） (2023-12-26T02:16:28Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• Automation of Radiation Treatment Planning for Rectal Cancer [3.617379460131769]
  自動開口のエンドツーエンドワークフローとフィールド・イン・フィールド・プランニングの最適化により,38/39(97%)の患者に対して臨床的に許容できる計画が得られた。
  論文  参考訳（メタデータ） (2022-04-26T18:48:26Z)
• 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)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Rapid treatment planning for low-dose-rate prostate brachytherapy with TP-GAN [9.064664319018064]
  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。
  論文  参考訳（メタデータ） (2021-03-18T03:02:45Z)

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。