論文の概要: Domain Adaptation of Automated Treatment Planning from Computed Tomography to Magnetic Resonance

• arxiv url: http://arxiv.org/abs/2203.03576v1
• Date: Mon, 7 Mar 2022 18:18:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 18:37:10.263482
• Title: Domain Adaptation of Automated Treatment Planning from Computed Tomography to Magnetic Resonance
• Title（参考訳）: ctから磁気共鳴への自動治療計画の領域適応
• Authors: Aly Khalifa, Jeff Winter, Inmaculada Navarro, Chris McIntosh, Thomas G. Purdie
• Abstract要約: 我々はCT学習機械学習モデルを用いた高許容磁気共鳴治療計画の作成を行った。 臨床的にCTによる計画から有意な線量偏差が認められた。
• 参考スコア（独自算出の注目度）: 0.5599792629509229
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: Machine learning (ML) based radiation treatment (RT) planning addresses the iterative and time-consuming nature of conventional inverse planning. Given the rising importance of Magnetic resonance (MR) only treatment planning workflows, we sought to determine if an ML based treatment planning model, trained on computed tomography (CT) imaging, could be applied to MR through domain adaptation. Methods: In this study, MR and CT imaging was collected from 55 prostate cancer patients treated on an MR linear accelerator. ML based plans were generated for each patient on both CT and MR imaging using a commercially available model in RayStation 8B. The dose distributions and acceptance rates of MR and CT based plans were compared using institutional dose-volume evaluation criteria. The dosimetric differences between MR and CT plans were further decomposed into setup, cohort, and imaging domain components. Results: MR plans were highly acceptable, meeting 93.1% of all evaluation criteria compared to 96.3% of CT plans, with dose equivalence for all evaluation criteria except for the bladder wall, penile bulb, small and large bowel, and one rectum wall criteria (p<0.05). Changing the input imaging modality (domain component) only accounted for about half of the dosimetric differences observed between MR and CT plans. Anatomical differences between the ML training set and the MR linac cohort (cohort component) were also a significant contributor. Significance: We were able to create highly acceptable MR based treatment plans using a CT-trained ML model for treatment planning, although clinically significant dose deviations from the CT based plans were observed.
• Abstract（参考訳）: 目的: 機械学習(ML)に基づく放射線治療(RT)プランニングは、従来の逆計画の反復性と時間的特性に対処する。 磁気共鳴(MR)治療計画ワークフローの重要性が高まる中,我々は,CT画像で訓練したMLベースの治療計画モデルが,領域適応を通じてMRに応用できるかどうかを判断しようとした。 方法: MRリニア・アクセルを用いた前立腺癌55例を対象に, MRおよびCT画像の収集を行った。 RayStation 8B の市販モデルを用いて,CT と MR 画像の両方の患者に対してML ベースのプランを作成した。 施設用線量量評価基準を用いて,mrおよびctベースプランの線量分布と受入率を比較した。 MRプランとCTプランのドシメトリックな差異は,設定,コホート,画像領域の構成要素にさらに分解された。 結果: MRプランは, 評価基準の93.1%をCTプランの96.3%と比較し, 膀胱壁, 陰茎球, 小腸, 直腸壁の1基準(p<0.05。 入力画像のモダリティ(ドメイン成分)の変化は,MRIとCTで観察されたドシメトリの約半分に過ぎなかった。 MLトレーニングセットとMRリナックコホート(コホート成分)の解剖学的差異も有意な寄与であった。 意義:CTを訓練したMLモデルを用いて高い許容率のMRベースの治療計画を作成することができたが,臨床的にCTベースの計画から有意な線量偏差が観察された。

関連論文リスト

• Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
  BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。 それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。 ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Treatment-wise Glioblastoma Survival Inference with Multi-parametric Preoperative MRI [34.830878479276286]
  MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。 当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
  論文  参考訳（メタデータ） (2024-02-10T16:13:09Z)
• Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac [0.0]
  MR-LINAC治療のMRIおよびCTスキャンスライスを用いてサイクロGANモデルを訓練し,sCTボリュームを作成した。 ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。
  論文  参考訳（メタデータ） (2023-12-03T04:38:17Z)
• CT-based Subchondral Bone Microstructural Analysis in Knee Osteoarthritis via MR-Guided Distillation Learning [9.043382067913397]
  MRをベースとした軟骨下骨は膝関節症を効果的に予測するが,その臨床応用はMRの費用と時間によって制限される。 単純取得CT画像を用いた軟骨下骨組織解析のための新しい蒸留学習法SRRDを開発した。 Tb. Th, Tb. Sp, Tb. Nはそれぞれ0.804, 0.773, 0.711, 0.622のクラス内相関係数(ICCs)を得た。
  論文  参考訳（メタデータ） (2023-07-10T07:54:29Z)
• Synthetic CT Generation from MRI using 3D Transformer-based Denoising Diffusion Model [2.232713445482175]
  磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。 本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T00:32:00Z)
• Exploring contrast generalisation in deep learning-based brain MRI-to-CT synthesis [0.0]
  MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。 ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
  論文  参考訳（メタデータ） (2023-03-17T18:45:05Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。