論文の概要: Automation of Radiation Treatment Planning for Rectal Cancer
- arxiv url: http://arxiv.org/abs/2204.12539v1
- Date: Tue, 26 Apr 2022 18:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 01:58:30.643141
- Title: Automation of Radiation Treatment Planning for Rectal Cancer
- Title（参考訳）: 直腸癌放射線治療計画の自動化
- Authors: Kai Huang, Prajnan Das, Adenike M. Olanrewaju, Carlos Cardenas, David
Fuentes, Lifei Zhang, Donald Hancock, Hannah Simonds, Dong Joo Rhee, Sam
Beddar, Tina Marie Briere, and Laurence Court
- Abstract要約: 自動開口のエンドツーエンドワークフローとフィールド・イン・フィールド・プランニングの最適化により,38/39(97%)の患者に対して臨床的に許容できる計画が得られた。
- 参考スコア（独自算出の注目度）: 3.617379460131769
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To develop an automated workflow for rectal cancer three-dimensional
conformal radiotherapy treatment planning that combines deep-learning(DL)
aperture predictions and forward-planning algorithms. We designed an algorithm
to automate the clinical workflow for planning with field-in-field. DL models
were trained, validated, and tested on 555 patients to automatically generate
aperture shapes for primary and boost fields. Network inputs were digitally
reconstructed radiography, gross tumor volume(GTV), and nodal GTV. A physician
scored each aperture for 20 patients on a 5-point scale(>3 acceptable). A
planning algorithm was then developed to create a homogeneous dose using a
combination of wedges and subfields. The algorithm iteratively identifies a
hotspot volume, creates a subfield, and optimizes beam weight all without user
intervention. The algorithm was tested on 20 patients using clinical apertures
with different settings, and the resulting plans(4 plans/patient) were scored
by a physician. The end-to-end workflow was tested and scored by a physician on
39 patients using DL-generated apertures and planning algorithms. The predicted
apertures had Dice scores of 0.95, 0.94, and 0.90 for posterior-anterior,
laterals, and boost fields, respectively. 100%, 95%, and 87.5% of the
posterior-anterior, laterals, and boost apertures were scored as clinically
acceptable, respectively. Wedged and non-wedged plans were clinically
acceptable for 85% and 50% of patients, respectively. The final plans hotspot
dose percentage was reduced from 121%($\pm$ 14%) to 109%($\pm$ 5%) of
prescription dose. The integrated end-to-end workflow of automatically
generated apertures and optimized field-in-field planning gave clinically
acceptable plans for 38/39(97%) of patients. We have successfully automated the
clinical workflow for generating radiotherapy plans for rectal cancer for our
institution.
- Abstract（参考訳）: 深層学習(DL)開口予測と前方計画アルゴリズムを組み合わせた直腸癌3次元コンフォメーション治療計画の自動化ワークフローを開発する。
フィールドインフィールドによる計画のための臨床ワークフローを自動化するアルゴリズムを考案した。
DLモデルを訓練し, 評価し, 555名の患者に対して, 初等および増進フィールドの開口形状を自動生成する試験を行った。
ネットワーク入力は、デジタル再構成ラジオグラフィ、gtv(gross tumor volume)、nodal gtvであった。
医師は、各開口部を5ポイントスケール(>3許容)で20名に得点した。
計画アルゴリズムは、ウェッジとサブフィールドの組み合わせを用いて均質な線量を作成するために開発された。
このアルゴリズムはホットスポットボリュームを反復的に特定し、サブフィールドを作成し、ユーザの介入なしにビーム重量を最適化する。
このアルゴリズムは, 異なる設定のクリニカルアパーチャを用いて20例を対象に試験を行い, 得られた計画(4プラン/患者)を医師が採点した。
エンド・ツー・エンドのワークフローは、医師がDL生成開口と計画アルゴリズムを用いて39人の患者でテストし、評価した。
予測された開口部は,後腹側野,側方野,ブースト野それぞれ0.95点,0.94点,0.90点であった。
100%,95%,87.5%の後方,側方,隆起開口部が臨床的に許容された。
85%, 50%の患者に対して, ウェッジドプランと非ウェッジドプランが臨床的に受け入れられた。
最終計画のホットスポット線量の割合は121%($\pm$ 14%)から109%($\pm$ 5%)に低下した。
自動開口のエンドツーエンドワークフローとフィールド・イン・フィールド・プランニングの最適化により,38/39(97%)の患者に対して臨床的に許容できる計画が得られた。
直腸癌に対する放射線治療計画作成のための臨床ワークフローの自動化に成功した。
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) - Automatic laminectomy cutting plane planning based on artificial
intelligence in robot assisted laminectomy surgery [9.382465733936824]
自動積層切削平面計画のための2段階のアプローチを提案する。
第1段階では、各CT画像に7つのキーポイントを手動で印付けした。
第2段階では、各椎骨に対してパーソナライズされた座標系が生成される。
論文 参考訳（メタデータ） (2023-12-26T02:16:28Z) - Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound
Imaging [61.60067283680348]
新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。
本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。
本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
論文 参考訳（メタデータ） (2022-12-15T14:34:12Z) - An Integrated Optimization and Machine Learning Models to Predict the
Admission Status of Emergency Patients [1.0323063834827415]
T-XGB、T-ADAB、T-MLPの3つの機械学習アルゴリズムが提案されている。
提案フレームワークは,患者搭乗プロセスを積極的に計画することにより,混雑を緩和することができる。
その結果,新たに提案したアルゴリズムはAUCが高く,従来のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-02-18T13:50:44Z) - 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) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳（メタデータ） (2020-11-14T12:50:32Z) - 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) - Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose
Distribution for Intensity Modulated Radiation Therapy [0.5735035463793008]
我々は、2つの異なるビーム構成モードで予測する2つのディープラーニングネットワークを実装し、比較する。
モデルIとモデルIIの2つのモデルについて検討・比較を行った。
我々の深層学習モデルは、地上の真理線量分布と正確に一致したボクセルレベルの線量分布を予測した。
論文 参考訳（メタデータ） (2020-06-19T17:15:45Z) - 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。