論文の概要: DeepDoseNet: A Deep Learning model for 3D Dose Prediction in Radiation
Therapy
- arxiv url: http://arxiv.org/abs/2111.00077v1
- Date: Fri, 29 Oct 2021 20:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 13:24:32.528011
- Title: DeepDoseNet: A Deep Learning model for 3D Dose Prediction in Radiation
Therapy
- Title(参考訳): DeepDoseNet:放射線治療における3次元線量予測のためのディープラーニングモデル
- Authors: Mumtaz Hussain Soomro, Victor Gabriel Leandro Alves, Hamidreza
Nourzadeh, Jeffrey V. Siebers
- Abstract要約: ResNetとDilatedNetに基づくDeepDoseNetの3次元線量予測モデルを提案する。
2020 AAPM OpenKBPチャレンジの340のヘッド・アンド・ネックデータセットが利用された。
MAEとDVHに基づく損失関数を持つDeepDoseNetは、OpenKBPエントリの最高線量スコア性能を示した。
- 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: The DeepDoseNet 3D dose prediction model based on ResNet and Dilated DenseNet
is proposed. The 340 head-and-neck datasets from the 2020 AAPM OpenKBP
challenge were utilized, with 200 for training, 40 for validation, and 100 for
testing. Structures include 56Gy, 63Gy, 70Gy PTVs, and brainstem, spinal cord,
right parotid, left parotid, larynx, esophagus, and mandible OARs. Mean squared
error (MSE) loss, mean absolute error (MAE) loss, and MAE plus dose-volume
histogram (DVH) based loss functions were investigated. Each model's
performance was compared using a 3D dose score, $\bar{S_{D}}$, (mean absolute
difference between ground truth and predicted 3D dose distributions) and a DVH
score, $\bar{S_{DVH}}$ (mean absolute difference between ground truth and
predicted dose-volume metrics).Furthermore, DVH metrics Mean[Gy] and D0.1cc
[Gy] for OARs and D99%, D95%, D1% for PTVs were computed. DeepDoseNet with the
MAE plus DVH-based loss function had the best dose score performance of the
OpenKBP entries. MAE+DVH model had the lowest prediction error (P<0.0001,
Wilcoxon test) on validation and test datasets (validation:
$\bar{S_{D}}$=2.3Gy, $\bar{S_{DVH}}$=1.9Gy; test: $\bar{S_{D}}$=2.0Gy,
$\bar{S_{DVH}}$=1.6Gy) followed by the MAE model (validation:
$\bar{S_{D}}$=3.6Gy, $\bar{S_{DVH}}$=2.4Gy; test: $\bar{S_{D}}$=3.5Gy,
$\bar{S_{DVH}}$=2.3Gy). The MSE model had the highest prediction error
(validation: $\bar{S_{D}}$=3.7Gy, $\bar{S_{DVH}}$=3.2Gy; test:
$\bar{S_{D}}$=3.6Gy, $\bar{S_{DVH}}$=3.0Gy). No significant difference was
found among models in terms of Mean [Gy], but the MAE+DVH model significantly
outperformed the MAE and MSE models in terms of D0.1cc[Gy], particularly for
mandible and parotids on both validation (P<0.01) and test (P<0.0001) datasets.
MAE+DVH outperformed (P<0.0001) in terms of D99%, D95%, D1% for targets.
MAE+DVH reduced $\bar{S_{D}}$ by ~60% and $\bar{S_{DVH}}$ by ~70%.
- Abstract(参考訳): ResNetとDilated DenseNetに基づくDeepDoseNetの3次元線量予測モデルを提案する。
2020 AAPM OpenKBPチャレンジの340のヘッド・アンド・ネックデータセットが利用され、200のトレーニング、40のバリデーション、100のテストが行われた。
組織には56Gy、63Gy、70Gy PTV、脳幹、脊髄、右耳下腺、左耳下腺、喉頭、食道、下顎OARが含まれる。
平均二乗誤差 (mse) 損失, 平均絶対誤差 (mae) 損失, および mae plus dose-volume histogram (dvh) に基づく損失関数について検討した。
各モデルのパフォーマンスは、3d線量スコアである$\bar{s_{d}}$(基底真理と予測された3d線量分布の絶対差)と、dvhスコアである$\bar{s_{dvh}}$(基底真理と予測線量容積の絶対差)を用いて比較された。
さらに,OARではDVH測定値がMean[Gy],D0.1cc[Gy],D99%,D95%,D1%,PTVではD1%であった。
MAEとDVHに基づく損失関数を持つDeepDoseNetは、OpenKBPエントリの最高線量スコア性能を示した。
mae+dvhモデルが最も低い予測誤差(p<0.0001, wilcoxon test)は検証とテストデータセット(validation: $\bar{s_{d}}$=2.3gy, $\bar{s_{dvh}}$=1.9gy; test: $\bar{s_{d}}$=2.0gy, $\bar{s_{dvh}}$=1.6gy)であり、maeモデル(validation: $\bar{s_{d}}$=3.6gy, $\bar{s_{dvh}}$=2.4gy; test: $\bar{s_{d}}$3.5gy, $\bar{s_{dvh}}$2.3gy)であった。
MSEモデルは最も高い予測誤差を持っていた(検証: $\bar{S_{D}}$=3.7Gy, $\bar{S_{DVH}}$=3.2Gy; test: $\bar{S_{D}}$=3.6Gy, $\bar{S_{DVH}}$=3.0Gy)。
平均[Gy]モデルでは有意差は認められなかったが,D0.1cc[Gy]モデルではMAE+DVHモデルがMAEモデルとMSEモデルより有意に優れており,特に下顎骨と耳下腺はP<0.01)データセットとテスト(P<0.0001)データセットの両方で有意差が認められた。
mae+dvh は d99%, d95%, d1% で (p<0.0001) を上回った。
MAE+DVHは$\bar{S_{D}}$を60%、$\bar{S_{DVH}}$を~70%削減した。
関連論文リスト
- Applicability of oculomics for individual risk prediction: Repeatability
and robustness of retinal Fractal Dimension using DART and AutoMorph [1.3499500088995464]
フラクタル次元(FD)に基づくオキュロミクスは、個々のリスク予測に使用できる。
私たちは2つのデータセットを使用しました。
論文 参考訳(メタデータ) (2024-03-11T17:34:51Z) - SPD-DDPM: Denoising Diffusion Probabilistic Models in the Symmetric
Positive Definite Space [47.65912121120524]
本研究では,大規模データを扱う新しい生成モデルであるSPD-DDPMを提案する。
我々のモデルは、$y$を与えることなく、無条件で柔軟に$p(X)$を見積もることができる。
おもちゃのデータと実際のタクシーデータによる実験結果から、我々のモデルは無条件と無条件の両方のデータ分布に効果的に適合することが示された。
論文 参考訳(メタデータ) (2023-12-13T15:08:54Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - Better Diffusion Models Further Improve Adversarial Training [97.44991845907708]
拡散確率モデル (DDPM) によって生成されたデータは, 対人訓練を改善することが認識されている。
本稿では,効率のよい最新の拡散モデルを用いて,肯定的な回答を与える。
我々の逆向きに訓練されたモデルは、生成されたデータのみを使用してRobustBench上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-02-09T13:46:42Z) - Near Sample-Optimal Reduction-based Policy Learning for Average Reward
MDP [58.13930707612128]
この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。
我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
論文 参考訳(メタデータ) (2022-12-01T15:57:58Z) - (Nearly) Optimal Private Linear Regression via Adaptive Clipping [22.639650869444395]
固定されたガウス型分布から各データ点をサンプリングする微分プライベート線形回帰問題について検討する。
本稿では,各イテレーションの点を置換せずにサンプリングする1パスのミニバッチ勾配勾配法(DP-AMBSSGD)を提案し,解析する。
論文 参考訳(メタデータ) (2022-07-11T08:04:46Z) - 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) - Topology-aware Generalization of Decentralized SGD [89.25765221779288]
本稿では,分散型Valpha-10安定降下(D-SGD)の一般化可能性について検討する。
D-SGDの一般化性は、初期訓練段階における接続性と正の相関があることを証明した。
論文 参考訳(メタデータ) (2022-06-25T16:03:48Z) - Automatic Segmentation and Location Learning of Neonatal Cerebral
Ventricles in 3D Ultrasound Data Combining CNN and CPPN [3.552368449344917]
臨床ルーティングでは,2次元超音波画像上で手動2D計測を行い,脳室系の容積を推定する。
この問題に対処する1つの方法は、3DUSデータのための自動CVSセグメンテーションアルゴリズムを開発することである。
本稿では,この複雑な課題を解決するための2次元および3次元畳み込みニューラルネットワーク(CNN)の可能性について検討する。
論文 参考訳(メタデータ) (2020-12-05T11:57:26Z) - Improved unsupervised physics-informed deep learning for intravoxel
incoherent motion modeling and evaluation in pancreatic cancer patients [0.0]
以前の研究では、IVIM-NET$_optim$は他の最先端のvoxel-incoherent motion(IVIM)よりも正確であった。
本研究は,IVIM-NET$_optim$を改良し,膵管腺癌(PDAC)患者において優れた成績を示した。
論文 参考訳(メタデータ) (2020-11-03T13:24:29Z) - Simple and Effective Prevention of Mode Collapse in Deep One-Class
Classification [93.2334223970488]
深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。
第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。
第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
論文 参考訳(メタデータ) (2020-01-24T03:44:47Z)
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。