論文の概要: Comprehensive and Clinically Accurate Head and Neck Organs at Risk
Delineation via Stratified Deep Learning: A Large-scale Multi-Institutional
Study
- arxiv url: http://arxiv.org/abs/2111.01544v1
- Date: Mon, 1 Nov 2021 07:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 02:18:48.872759
- Title: Comprehensive and Clinically Accurate Head and Neck Organs at Risk
Delineation via Stratified Deep Learning: A Large-scale Multi-Institutional
Study
- Title（参考訳）: 総合的, 臨床的に正確な頭頸部臓器 : 階層的深層学習による大規模多施設研究
- Authors: Dazhou Guo, Jia Ge, Xianghua Ye, Senxiang Yan, Yi Xin, Yuchen Song,
Bing-shen Huang, Tsung-Min Hung, Zhuotun Zhu, Ling Peng, Yanping Ren, Rui
Liu, Gong Zhang, Mengyuan Mao, Xiaohua Chen, Zhongjie Lu, Wenxiang Li, Yuzhen
Chen, Lingyun Huang, Jing Xiao, Adam P. Harrison, Le Lu, Chien-Yu Lin, Dakai
Jin, Tsung-Ying Ho
- Abstract要約: 本稿では,ディープラーニングを用いた新しい,自動化された,高効率なOARセグメンテーションシステムを提案する。
SOARSは42のOARを、アンカー、ミドルレベル、そして小さな、ハードサブカテゴリに分類する。
それぞれの機関評価において、Diceスコアの少なくとも35%は、他の最先端の手法よりも一貫して優れていた。
- 参考スコア（独自算出の注目度）: 21.998625549311072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate organ at risk (OAR) segmentation is critical to reduce the
radiotherapy post-treatment complications. Consensus guidelines recommend a set
of more than 40 OARs in the head and neck (H&N) region, however, due to the
predictable prohibitive labor-cost of this task, most institutions choose a
substantially simplified protocol by delineating a smaller subset of OARs and
neglecting the dose distributions associated with other OARs. In this work we
propose a novel, automated and highly effective stratified OAR segmentation
(SOARS) system using deep learning to precisely delineate a comprehensive set
of 42 H&N OARs. SOARS stratifies 42 OARs into anchor, mid-level, and small &
hard subcategories, with specifically derived neural network architectures for
each category by neural architecture search (NAS) principles. We built SOARS
models using 176 training patients in an internal institution and independently
evaluated on 1327 external patients across six different institutions. It
consistently outperformed other state-of-the-art methods by at least 3-5% in
Dice score for each institutional evaluation (up to 36% relative error
reduction in other metrics). More importantly, extensive multi-user studies
evidently demonstrated that 98% of the SOARS predictions need only very minor
or no revisions for direct clinical acceptance (saving 90% radiation
oncologists workload), and their segmentation and dosimetric accuracy are
within or smaller than the inter-user variation. These findings confirmed the
strong clinical applicability of SOARS for the OAR delineation process in H&N
cancer radiotherapy workflows, with improved efficiency, comprehensiveness, and
quality.
- Abstract（参考訳）: 放射線治療後の合併症を軽減するためには,OARセグメンテーションが重要である。
コンセンサスガイドラインでは、頭頸部(H&N)領域に40以上のOARを推奨しているが、このタスクの予測可能な禁止コストのため、ほとんどの機関は、OARの小さなサブセットを規定し、他のOARに関連する線量分布を無視することによって、大幅に単純化されたプロトコルを選択する。
本稿では,42個のH&N OARの包括的集合を正確に記述するために,ディープラーニングを用いた新しい,自動化された,高効率な階層化OARセグメンテーション(SOARS)システムを提案する。
soarは42のoarをアンカー、中レベル、小規模、ハードのサブカテゴリに階層化し、ニューラルネットワークアーキテクチャをニューラルネットワーク検索(nas)の原則によって各カテゴリに特化している。
内科機関で176名の研修患者を用いてSOARSモデルを構築し,6施設の外部患者1327名に対して個別に評価を行った。
システム評価毎のdiceスコア(他の指標では最大36%のエラー低減)では、最先端の手法を一貫して35%以上上回っている。
さらに重要なことは、SOARSの予測の98%が直接臨床受け入れの修正(放射線オンコロジーのワークロードを90%削減する)を必要とせず、それらのセグメンテーションとドシメトリックの精度がユーザー間の変動より小さいことを示しています。
以上の結果から,h&n癌放射線治療におけるoar脱線プロセスに対するsoarsの臨床応用性が向上し,効率,包括性,品質が向上した。
関連論文リスト
- Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳（メタデータ） (2024-05-20T02:32:46Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Robust and Generalisable Segmentation of Subtle Epilepsy-causing
Lesions: a Graph Convolutional Approach [1.180462901068842]
FCD(Foccal cortical dysplasia)は薬剤抵抗性てんかんの主要な原因であり、手術で治療できる。
そのため、手動の傷口マスクは高価で、限定的であり、ラッター間変動が大きい。
本稿では,グラフ畳み込みネットワーク(GCN)を用いたセマンティックセグメンテーション(セマンティックセグメンテーション,セマンティックセグメンテーション,セマンティックセグメンテーション)の手法を提案する。
論文 参考訳（メタデータ） (2023-06-02T08:56:56Z) - Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian
Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。
本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。
実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T13:04:42Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳（メタデータ） (2021-04-05T04:45:31Z) - Automated Detection of Cortical Lesions in Multiple Sclerosis Patients
with 7T MRI [5.583426779051882]
多発性硬化症(MS)患者の大脳皮質病変(CL)の検出は,臨床的関連性にもかかわらず,ほとんど注目されていない課題である。
3つの解像度レベルを持つ簡易な3次元U-Net(3D U-Net-)を実装した。
病変径0.75 muLを考慮し, 病変側皮質病変検出率67%, 偽陽性率42%を得た。
このことは,CL手動セグメンテーションの面倒なプロセスにおいて,専門家を支援するための提案手法の可能性を示している。
論文 参考訳（メタデータ） (2020-08-15T20:35:12Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Organ at Risk Segmentation for Head and Neck Cancer using Stratified
Learning and Neural Architecture Search [21.95171310651385]
リスクセグメンテーション(SOARS)は、OARをアンカーレベル、中間レベル、小規模、ハードカテゴリに分類するアプローチである。
特に、アンカーOARは中級とS&Hカテゴリーのガイドに使用される。
我々は2D、3DまたはPseudo-3Dカテゴリを選択するために、微分可能なニューラルネットワークサーチ(NAS)を用いる。
論文 参考訳（メタデータ） (2020-04-17T19:15:48Z)
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。