論文の概要: Post-Radiotherapy PET Image Outcome Prediction by Deep Learning under
Biological Model Guidance: A Feasibility Study of Oropharyngeal Cancer
Application
- arxiv url: http://arxiv.org/abs/2105.10650v1
- Date: Sat, 22 May 2021 06:32:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-27 09:27:23.593150
- Title: Post-Radiotherapy PET Image Outcome Prediction by Deep Learning under
Biological Model Guidance: A Feasibility Study of Oropharyngeal Cancer
Application
- Title(参考訳): 放射線治療後PET画像の生体モデル誘導による深層学習による予後予測 : 口腔咽頭癌応用の可能性
- Authors: Hangjie Ji, Kyle Lafata, Yvonne Mowery, David Brizel, Andrea L.
Bertozzi, Fang-Fang Yin, Chunhao Wang
- Abstract要約: 本稿では,放射線照射後のFDG-PET画像結果予測のための生物学的誘導型深層学習法を開発した。
古典的な反応拡散機構に基づいて、偏微分方程式を用いて新しい生物モデルを提案した。
7層エンコーダをベースとした畳み込みニューラルネットワーク(CNN)が設計され,提案する生物モデルを学ぶために訓練された。
- 参考スコア(独自算出の注目度): 5.787939851305456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper develops a method of biologically guided deep learning for
post-radiation FDG-PET image outcome prediction based on pre-radiation images
and radiotherapy dose information. Based on the classic reaction-diffusion
mechanism, a novel biological model was proposed using a partial differential
equation that incorporates spatial radiation dose distribution as a
patient-specific treatment information variable. A 7-layer
encoder-decoder-based convolutional neural network (CNN) was designed and
trained to learn the proposed biological model. As such, the model could
generate post-radiation FDG-PET image outcome predictions with possible
time-series transition from pre-radiotherapy image states to post-radiotherapy
states. The proposed method was developed using 64 oropharyngeal patients with
paired FDG-PET studies before and after 20Gy delivery (2Gy/daily fraction) by
IMRT. In a two-branch deep learning execution, the proposed CNN learns specific
terms in the biological model from paired FDG-PET images and spatial dose
distribution as in one branch, and the biological model generates post-20Gy
FDG-PET image prediction in the other branch. The proposed method successfully
generated post-20Gy FDG-PET image outcome prediction with breakdown
illustrations of biological model components. Time-series FDG-PET image
predictions were generated to demonstrate the feasibility of disease response
rendering. The developed biologically guided deep learning method achieved
post-20Gy FDG-PET image outcome predictions in good agreement with ground-truth
results. With break-down biological modeling components, the outcome image
predictions could be used in adaptive radiotherapy decision-making to optimize
personalized plans for the best outcome in the future.
- Abstract(参考訳): 本稿では,放射線照射後FDG-PET画像結果予測のための生物学的誘導深層学習法を開発した。
従来の反応拡散機構に基づいて,空間放射線線量分布を患者固有の治療情報変数とする偏微分方程式を用いて,新しい生物学的モデルを提案した。
7層エンコーダをベースとした畳み込みニューラルネットワーク(CNN)が設計され,提案する生物モデルを学ぶために訓練された。
その結果, 放射線照射後のFDG-PET画像結果の予測は, 放射線照射前の画像状態から放射線照射後の画像状態へ移行する可能性が示唆された。
IMRTによる20Gy導入前後(日量2Gy/日分)にFDG-PETを併用した64例の口腔咽頭患者を用いて本法を開発した。
2ブランチのディープラーニング実行において、提案したCNNは、一方のブランチのように、ペア化されたFDG-PET画像と空間線量分布から生物学的モデルの特定の用語を学習し、他方のブランチで20Gy後のFDG-PET画像予測を生成する。
提案手法は,生物モデル成分の分解図を用いた20Gy後のFDG-PET画像結果の予測に成功した。
fdg-pet画像の時系列予測が作成され,疾患応答の再現性が実証された。
本手法は,20Gy後のFDG-PET画像結果の予測を基調とよく一致させる。
生物学的モデリングコンポーネントのブレークダウンでは、適応的放射線治療決定に結果イメージ予測を用いて、パーソナライズされたプランを将来最高の結果に最適化することができる。
関連論文リスト
- PET Tracer Conversion among Brain PET via Variable Augmented Invertible
Network [8.895830601854534]
画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。
実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
論文 参考訳(メタデータ) (2023-11-01T12:04:33Z) - PET Synthesis via Self-supervised Adaptive Residual Estimation
Generative Adversarial Network [14.381830012670969]
近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。
これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。
SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
論文 参考訳(メタデータ) (2023-10-24T06:43:56Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳(メタデータ) (2023-08-20T04:10:36Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳(メタデータ) (2023-03-02T07:47:07Z) - Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image
Denoising [0.5999777817331317]
ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。
DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
論文 参考訳(メタデータ) (2023-02-27T06:55:00Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - A resource-efficient deep learning framework for low-dose brain PET
image reconstruction and analysis [13.713286047709982]
本稿では,L-PET再構成と解析のための資源効率の高いディープラーニングフレームワーク,TransGAN-SDAMを提案する。
トランスGANは高品質なF-PET画像を生成し、SDAMは生成されたF-PETスライス列の空間情報を統合して全脳F-PET画像を生成する。
論文 参考訳(メタデータ) (2022-02-14T08:40:19Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T06:06:06Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z)
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。