論文の概要: Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans

• arxiv url: http://arxiv.org/abs/2106.03705v1
• Date: Mon, 7 Jun 2021 15:15:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:59:49.090065
• Title: Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans
• Title（参考訳）: Consistent/Unbiased Automated Plans を用いた従来型肺IMRTのディープラーニング3次元線量予測
• Authors: Navdeep Dahiya, Gourav Jhanwar, Anthony Yezzi, Masoud Zarepisheh, and Saad Nadeem
• Abstract要約: 本研究では、社内の自動計画システム(ECHO')によって生成される一貫した計画を用いて、DLモデルをトレーニングする。 ECHOは、大規模な制約付き最適化問題を逐次解決することで、一貫した/偏りのない計画を生成する。 予測の質は、最近AAPMの知識に基づく計画大挑戦によって導入された線量スコアとDVHスコアと同様に、異なるDVHメトリクスを用いて比較された。
• 参考スコア（独自算出の注目度）: 3.4742750855568767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) 3D dose prediction has recently gained a lot of attention. However, the variability of plan quality in the training dataset, generated manually by planners with wide range of expertise, can dramatically effect the quality of the final predictions. Moreover, any changes in the clinical criteria requires a new set of manually generated plans by planners to build a new prediction model. In this work, we instead use consistent plans generated by our in-house automated planning system (named ``ECHO'') to train the DL model. ECHO (expedited constrained hierarchical optimization) generates consistent/unbiased plans by solving large-scale constrained optimization problems sequentially. If the clinical criteria changes, a new training data set can be easily generated offline using ECHO, with no or limited human intervention, making the DL-based prediction model easily adaptable to the changes in the clinical practice. We used 120 conventional lung patients (100 for training, 20 for testing) with different beam configurations and trained our DL-model using manually-generated as well as automated ECHO plans. We evaluated different inputs: (1) CT+(PTV/OAR)contours, and (2) CT+contours+beam configurations, and different loss functions: (1) MAE (mean absolute error), and (2) MAE+DVH (dose volume histograms). The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. The best results were obtained using automated ECHO plans and CT+contours+beam as training inputs and MAE+DVH as loss function.
• Abstract（参考訳）: 近年,深層学習(DL)による3D線量予測が注目されている。 しかし、幅広い専門知識を持つプランナーが手動で作成したトレーニングデータセットにおけるプラン品質の変化は、最終的な予測の品質に劇的に影響する。 さらに、臨床基準の変更には、新しい予測モデルを構築するために、プランナーによる新しい手動生成計画セットが必要である。 この作業では、代わりに社内の自動計画システム(‘ECHO’と名づけられた)によって生成された一貫したプランを使用して、DLモデルをトレーニングします。 ECHO (expedited constrained hierarchical optimization) は、大規模な制約付き最適化問題を逐次解決することにより、一貫した計画を生成する。 臨床基準が変更された場合、新しいトレーニングデータセットをECHOを用いてオフラインで簡単に生成でき、人的介入が制限されないため、DLベースの予測モデルは臨床実践の変化に容易に適応できる。 従来型の120例 (100例, 試験20例) を異なるビーム構成で使用し, 手動生成と自動エコープランを用いてdl-modelを訓練した。 我々は,(1)CT+(PTV/OAR)コントラル,(2)CT+コントラル+ビーム構成,(1)MAE(mean absolute error),(2)MAE+DVH(dose volume histograms)の異なる損失関数の評価を行った。 予測の質は、最近AAPMの知識に基づく計画大挑戦によって導入された線量スコアとDVHスコアと同様に、異なるDVHメトリクスを用いて比較された。 自動ECHO計画とCT+contours+beamをトレーニング入力とし,MAE+DVHを損失関数とした。

関連論文リスト

• Large-Language-Model Empowered Dose Volume Histogram Prediction for Intensity Modulated Radiotherapy [11.055104826451126]
  本研究では,非構造化画像から画像パッチノードと線量ノードからなる構造化グラフに変換するパイプラインを提案する。 構造グラフからDVH(Dose-Volume histograms)を予測するために,新しいDose Graph Neural Network(DoseGNN)モデルを開発した。 本研究では,IMRT(強度変調放射線療法)計画の自動化を目的とした概念の実践的実装として,オンライン人間とAIのコラボレーションシステムを導入した。
  論文  参考訳（メタデータ） (2024-02-11T11:24:09Z)
• DoseGNN: Improving the Performance of Deep Learning Models in Adaptive Dose-Volume Histogram Prediction through Graph Neural Networks [15.101256852252936]
  AAPM (AAPM 65th Annual Meeting $&$ Exhibition) に発表された最近の研究成果を拡張した。 本研究の目的は,高性能CBCTシステムを備えた一般放射線治療プラットフォーム上でのDVH予測のための効率的なディープラーニングモデルを設計することである。 DVH予測タスクで広く採用されている深層学習モデルを,新しい放射線治療プラットフォーム上で評価する。
  論文  参考訳（メタデータ） (2024-02-02T00:28:19Z)
• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function [3.2653790770825686]
  ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。 本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-07T16:35:06Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。