論文の概要: The use of deep learning in interventional radiotherapy (brachytherapy):
a review with a focus on open source and open data
- arxiv url: http://arxiv.org/abs/2205.07516v1
- Date: Mon, 16 May 2022 08:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 18:06:30.087412
- Title: The use of deep learning in interventional radiotherapy (brachytherapy):
a review with a focus on open source and open data
- Title（参考訳）: インターベンション放射線療法(brachytherapy)におけるディープラーニングの利用 : オープンソースとオープンデータを中心に
- Authors: Tobias Fechter, Ilias Sachpazidis, Dimos Baltas
- Abstract要約: 介入放射線療法(ブラキセラピー)では、深層学習はまだ初期段階にある。
ディープラーニングアルゴリズムの結果を再現するには、ソースコードとトレーニングデータの両方を利用できなければならない。
オープンソース、データ、モデルは増え続けているが、まだ不足しており、不均一に分散している。
- 参考スコア（独自算出の注目度）: 4.125187280299247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning advanced to one of the most important technologies in almost
all medical fields. Especially in areas, related to medical imaging it plays a
big role. However, in interventional radiotherapy (brachytherapy) deep learning
is still in an early phase. In this review, first, we investigated and
scrutinised the role of deep learning in all processes of interventional
radiotherapy and directly related fields. Additionally we summarised the most
recent developments. To reproduce results of deep learning algorithms both
source code and training data must be available. Therefore, a second focus of
this work was on the analysis of the availability of open source, open data and
open models. In our analysis, we were able to show that deep learning plays
already a major role in some areas of interventional radiotherapy, but is still
hardly presented in others. Nevertheless, its impact is increasing with the
years, partly self-propelled but also influenced by closely related fields.
Open source, data and models are growing in number but are still scarce and
unevenly distributed among different research groups. The reluctance in
publishing code, data and models limits reproducibility and restricts
evaluation to mono-institutional datasets. Summarised, deep learning will
change positively the workflow of interventional radiotherapy but there is room
for improvement when it comes to reproducible results and standardised
evaluation methods.
- Abstract（参考訳）: 深層学習は、ほとんどすべての医学分野において最も重要な技術の一つに進んだ。
特に、医療画像に関連する地域では、大きな役割を果たしている。
しかし、介入放射線療法(ブラキセラピー)の深層学習はまだ初期段階にある。
本総説では, 介入放射線療法と直接関連分野における深層学習の役割について検討し, 検討した。
さらに、最新の開発を要約した。
ディープラーニングアルゴリズムの結果を再現するには、ソースコードとトレーニングデータの両方が必要である。
そのため、この研究の第2の焦点は、オープンソース、オープンデータ、オープンモデルの可用性の分析であった。
本分析では, 介入放射線療法のいくつかの領域において, 深層学習がすでに重要な役割を担っていることが示された。
それにもかかわらず、その影響は年々増大しており、部分的に自己推進的だが密接な関連分野の影響も受けている。
オープンソース、データ、モデルの数は増えていますが、さまざまな研究グループではまだ少なく、均等に分散しています。
コード、データ、モデルを公開することの難しさは再現性を制限し、単機能データセットに対する評価を制限する。
要約すると、深層学習は介入放射線療法のワークフローを積極的に変えるが、再現可能な結果や標準化された評価方法に関しては改善の余地がある。
関連論文リスト
- A systematic review: Deep learning-based methods for pneumonia region detection [0.0]
肺炎は世界中の子供や成人の主要な死因の1つである。
診断プロセスの効率と精度を向上させるため, コンピュータ支援型肺炎検出法が開発されている。
本報告では, 肺炎領域の検出において, 従来主流であった深層学習アプローチを探索し, 検討した。
論文 参考訳（メタデータ） (2024-08-23T18:00:22Z) - A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data [41.8344712915454]
自動放射線診断レポート生成は、医師の作業負荷を軽減し、医療資源の地域格差を最小限にすることができる。
マルチモーダル入力データから情報を得るためには、医師を模倣する計算モデルが必要であるため、これは難しい課題である。
近年, トランスフォーマー, コントラスト学習, 知識ベース構築など, 深層学習に基づく手法を用いてこの問題に対処する研究が進められている。
本調査では,最新の研究で開発された重要な手法を要約し,ディープラーニングに基づくレポート生成のための一般的なワークフローを提案する。
論文 参考訳（メタデータ） (2024-05-21T14:37:35Z) - LLM-Assisted Multi-Teacher Continual Learning for Visual Question Answering in Robotic Surgery [57.358568111574314]
患者のデータのプライバシは、モデル更新時に古いデータの可用性を制限することが多い。
CL研究は外科領域で2つの重要な問題を見落としていた。
本稿では,多モーダル大規模言語モデル (LLM) と適応重み付け手法を用いて,これらの問題に対処することを提案する。
論文 参考訳（メタデータ） (2024-02-26T15:35:24Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - GDPR Compliant Collection of Therapist-Patient-Dialogues [48.091760741427656]
我々は、欧州連合の一般データプライバシ規則の下で、精神医学クリニックでセラピストと患者との対話の収集を始める際に直面した課題について詳しく述べる。
本稿では、手順の各ステップの概要を述べ、この分野でのさらなる研究を動機付ける潜在的な落とし穴を指摘した。
論文 参考訳（メタデータ） (2022-11-22T15:51:10Z) - Multi-Task Multi-Scale Learning For Outcome Prediction in 3D PET Images [4.234843176066354]
本稿では,患者の生存と反応を予測するためのマルチタスク学習フレームワークを提案する。
肺癌および食道癌に対する治療効果と生存率について検討した。
論文 参考訳（メタデータ） (2022-03-01T17:30:28Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Exploring and Distilling Posterior and Prior Knowledge for Radiology
Report Generation [55.00308939833555]
PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。
PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。
PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
論文 参考訳（メタデータ） (2021-06-13T11:10:02Z) - A Systematic Review of Natural Language Processing Applied to Radiology
Reports [3.600747505433814]
本研究は, 放射線学報告に応用されたNLPの最近の文献を体系的に評価する。
本研究は, 放射線学的特徴, nlp法, 性能, 研究, 臨床応用特性を含む21の変数に基づく。
論文 参考訳（メタデータ） (2021-02-18T18:54:41Z) - Therapeutics Data Commons: Machine Learning Datasets and Tasks for
Therapeutics [84.94299203422658]
Therapeutics Data Commonsは、治療の全範囲にわたる機械学習を体系的にアクセスし、評価するためのフレームワークです。
TDCは、アルゴリズムの革新をバイオメディカルおよび臨床実装に翻訳できる、キュレートされたデータセットと学習タスクのコレクションです。
tdcはまた、データ機能、体系的モデル評価のための戦略、有意義なデータ分割、データプロセッサ、分子生成オラクルを含む、ツール、ライブラリ、リーダーボード、コミュニティリソースのエコシステムを提供する。
論文 参考訳（メタデータ） (2021-02-18T18:50:31Z)
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。