論文の概要: Prediction of the Position of External Markers Using a Recurrent Neural Network Trained With Unbiased Online Recurrent Optimization for Safe Lung Cancer Radiotherapy

• arxiv url: http://arxiv.org/abs/2106.01100v1
• Date: Wed, 2 Jun 2021 12:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 00:13:20.457640
• Title: Prediction of the Position of External Markers Using a Recurrent Neural Network Trained With Unbiased Online Recurrent Optimization for Safe Lung Cancer Radiotherapy
• Title（参考訳）: 安全な肺癌放射線治療のための非バイアスオンライン再発最適化を用いた再発ニューラルネットワークを用いた外部マーカーの位置予測
• Authors: Michel Pohl, Mitsuru Uesaka, Hiroyuki Takahashi, Kazuyuki Demachi and Ritu Bhusal Chhatkuli
• Abstract要約: 肺癌放射線療法では、胸部における赤外線反射物体の位置を記録し、腫瘍の位置を推定することができる。 この現象を考慮に入れないことは、健康な組織に不必要に損傷を与え、放射線肺炎などの副作用を引き起こす可能性がある。 健常人の胸部および腹部に3つの外部マーカーの3次元位置を73sから222s間隔で観察した。 我々は、リカレントニューラルネットワーク(RNN)を用いて、0.1秒から2.0秒の間、各マーカーの位置と地平線値(事前に予測する時間間隔)を同時に予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During lung cancer radiotherapy, the position of infrared reflective objects on the chest can be recorded to estimate the tumor location. However, radiotherapy systems usually have a latency inherent to robot control limitations that impedes the radiation delivery precision. Not taking this phenomenon into account may cause unwanted damage to healthy tissues and lead to side effects such as radiation pneumonitis. In this research, we use nine observation records of the three-dimensional position of three external markers on the chest and abdomen of healthy individuals breathing during intervals from 73s to 222s. The sampling frequency is equal to 10Hz and the amplitudes of the recorded trajectories range from 6mm to 40mm in the superior-inferior direction. We forecast the location of each marker simultaneously with a horizon value (the time interval in advance for which the prediction is made) between 0.1s and 2.0s, using a recurrent neural network (RNN) trained with unbiased online recurrent optimization (UORO). We compare its performance with an RNN trained with real-time recurrent learning, least mean squares (LMS), and offline linear regression. Training and cross-validation are performed during the first minute of each sequence. On average, UORO achieves the lowest root-mean-square (RMS) and maximum error, equal respectively to 1.3mm and 8.8mm, with a prediction time per time step lower than 2.8ms (Dell Intel core i9-9900K 3.60Ghz). Linear regression has the lowest RMS error for the horizon values 0.1s and 0.2s, followed by LMS for horizon values between 0.3s and 0.5s, and UORO for horizon values greater than 0.6s.
• Abstract（参考訳）: 肺癌放射線療法では、胸部における赤外線反射物体の位置を記録し、腫瘍の位置を推定することができる。 しかし、放射線治療システムは通常、放射線伝達精度を阻害するロボット制御の制限に固有の遅延を有する。 この現象を考慮していないと、健康な組織に不必要に損傷を与え、放射線肺炎などの副作用を引き起こす可能性がある。 本研究では,73秒から222秒の間隔で呼吸する健常人の胸部と腹部の3つの外部マーカーの3次元位置に関する9つの観察記録を用いた。 サンプリング周波数は10hzで、記録された軌跡の振幅は優占方向の6mmから40mmである。 我々は、未バイアスオンライン再帰最適化(UORO)を訓練したリカレントニューラルネットワーク(RNN)を用いて、各マーカーの位置を0.1秒から2.0秒間の地平線値(事前の時間間隔)と同時に予測する。 実時間繰り返し学習、最小平均平方(LMS)、オフライン線形回帰を訓練したRNNと比較した。 訓練と相互評価は、各シーケンスの1分間に行われる。 UOROは平均して最低根平均二乗(RMS)と最大誤差(それぞれ1.3mmと8.8mm)を達成し、時間当たりの予測時間は2.8ms以下である(Dell Intel core i9-9900K 3.60Ghz)。 線形回帰は地平線値0.1sと0.2sに対して最も低いRMS誤差を持ち、次は地平線値0.3sから0.5s、UOROは0.6s以上である。

関連論文リスト

• Future frame prediction in chest cine MR imaging using the PCA respiratory motion model and dynamically trained recurrent neural networks [0.0]
  肺放射線治療システムは、推定腫瘍位置の不確実性や健康な組織の高照射を引き起こす遅延を受ける。 この研究は、オンライン学習アルゴリズムで訓練されたRNNを用いて、胸部ダイナミックMRIシーケンスの将来のフレーム予測に対処し、その遅延を補償する。
  論文  参考訳（メタデータ） (2024-10-08T10:21:43Z)
• Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [10.17207334278678]
  CPT-DIR(Continuous-sPatial-Temporal DIR)という,空間と時間の両方で連続的に動きをモデル化する暗黙的ニューラル表現(INR)に基づくアプローチを提案する。 DIRは,10例の肺4DCTのDIR-Labデータセットを用いて,ランドマーク精度(TRE),輪郭適合度(Dice),画像類似度(MAE)の測定を行った。 提案したCPT-DIRは、ランドマークTREを2.79mmから0.99mmに減らし、すべてのケースにおいてBスプラインの結果より優れている。
  論文  参考訳（メタデータ） (2024-05-01T10:26:08Z)
• Respiratory motion forecasting with online learning of recurrent neural networks for safety enhancement in externally guided radiotherapy [0.0]
  リアルタイム反復学習(Real-time Recurrent Learning, RTRL)は、非定常呼吸データ内のパターンを学習できるが、複雑さが高いため、潜在的な解決法である。 本研究は,放射線治療中の呼吸運動を正確に予測する資源効率の高いオンラインRNNアルゴリズムの能力を評価する。
  論文  参考訳（メタデータ） (2024-03-03T20:16:16Z)
• RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG Respiratory Rate Estimation [0.6464087844700315]
  RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。 標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。 本研究では,RRWaveNetを連続的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-18T07:11:34Z)
• Prediction of the motion of chest internal points using a recurrent neural network trained with real-time recurrent learning for latency compensation in lung cancer radiotherapy [0.0]
  追跡点と初期腫瘍像から3次元の腫瘍像を復元・予測する手法を提案する。 テストセット上のRNN予測に対応するルート平均二乗誤差、最大誤差、ジッタは、線形予測と最小平均二乗(LMS)で得られたものと同じ性能測定値よりも小さい。 予測画像の腫瘍位置は視力的に正しかったが, 原画像と予測画像の相互相関は0.955と高い値であった。
  論文  参考訳（メタデータ） (2022-07-13T04:08:21Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。