論文の概要: Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive Radiation Therapy

• arxiv url: http://arxiv.org/abs/2202.03978v1
• Date: Tue, 8 Feb 2022 16:34:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:21:58.182240
• Title: Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive Radiation Therapy
• Title（参考訳）: cbct適応放射線治療のためのテストタイム最適化(tto)によるセグメンテーション
• Authors: Xiao Liang, Jaehee Chun, Howard Morgan, Ti Bai, Dan Nguyen, Justin C. Park, Steve Jiang
• Abstract要約: 従来型または深層学習(DL)に基づく変形可能な画像登録(DIR)は、多くの状況において改善された結果が得られる。 本稿では,事前学習したDLベースのDIR集団モデルを洗練するためのテスト時間最適化(TTO)手法を提案する。 提案手法は,一般化可能性問題の影響を受けにくく,DLベースのDIRモデルの全体的な性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 2.5705729402510338
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Online adaptive radiotherapy (ART) requires accurate and efficient auto-segmentation of target volumes and organs-at-risk (OARs) in mostly cone-beam computed tomography (CBCT) images. Propagating expert-drawn contours from the pre-treatment planning CT (pCT) through traditional or deep learning (DL) based deformable image registration (DIR) can achieve improved results in many situations. Typical DL-based DIR models are population based, that is, trained with a dataset for a population of patients, so they may be affected by the generalizability problem. In this paper, we propose a method called test-time optimization (TTO) to refine a pre-trained DL-based DIR population model, first for each individual test patient, and then progressively for each fraction of online ART treatment. Our proposed method is less susceptible to the generalizability problem, and thus can improve overall performance of different DL-based DIR models by improving model accuracy, especially for outliers. Our experiments used data from 239 patients with head and neck squamous cell carcinoma to test the proposed method. Firstly, we trained a population model with 200 patients, and then applied TTO to the remaining 39 test patients by refining the trained population model to obtain 39 individualized models. We compared each of the individualized models with the population model in terms of segmentation accuracy. The number of patients with at least 0.05 DSC improvement or 2 mm HD95 improvement by TTO averaged over the 17 selected structures for the state-of-the-art architecture Voxelmorph is 10 out of 39 test patients. The average time for deriving the individualized model using TTO from the pre-trained population model is approximately four minutes. When adapting the individualized model to a later fraction of the same patient, the average time is reduced to about one minute and the accuracy is slightly improved.
• Abstract（参考訳）: オンライン適応放射線療法 (ART) は, 主にコーンビームCT(CBCT)画像において, 目標体積と臓器病変(OAR)の自動分離を正確かつ効率的に行う必要がある。 従来型または深層学習(DL)に基づく変形性画像登録(DIR)による前処理計画CT(pCT)からのエキスパート描画輪郭の伝播は,多くの状況において改善される。 典型的なdlベースのdirモデルは、患者集団のデータセットで訓練された人口ベースであり、一般化可能性の問題に影響を受ける可能性がある。 本稿では,まず個別の検査患者に対してdlベースのdir人口モデルを洗練し,次にオンラインアート処理の分画毎に段階的に改善するテストタイム最適化(tto)法を提案する。 提案手法は, 一般化可能性問題の影響を受けにくいため, モデル精度を向上し, 特に外れ値に対して, 異なるDLベースDIRモデルの全体的な性能を向上させることができる。 頭頸部扁平上皮癌239例のデータを用いて検討した。 まず,200名の患者を対象に集団モデルを訓練し,残りの39名の患者にTTOを適用して39名の個別化モデルを得た。 分割精度の観点から,各個体群モデルと個体群モデルを比較した。 TTOによる少なくとも0.05 DSC改善または2mm HD95改善の患者は、最先端のVoxelmorphで選択された17の構造物で平均して39例中10例である。 事前学習した人口モデルからTTOを用いた個別化モデルを導出する平均時間はおよそ4分である。 同一患者の後続分数に個別化モデルを適用する場合、平均時間を約1分に短縮し、精度をわずかに向上させる。

関連論文リスト

• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• Multi-institutional Validation of Two-Streamed Deep Learning Method for Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and FDG-PETCT [14.312659667401302]
  食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。 1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
  論文  参考訳（メタデータ） (2021-10-11T13:56:09Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
  患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。 サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。 本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2021-08-27T13:10:00Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Patient-Specific Finetuning of Deep Learning Models for Adaptive Radiotherapy in Prostate CT [1.3124513975412255]
  OAR(Organs-At-Risk)は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、治療セッションに蓄積されたパーソナライズされた解剖学的知識を活用し、事前学習された畳み込みニューラルネットワーク(CNN)のセグメンテーション精度を向上させる。 そこで我々は, より早い治療率で得られた画像に基づいて, CNNモデルを特定の患者に微調整するトランスファーラーニングアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-02-17T12:53:37Z)

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。