論文の概要: Learning Treatment Plan Representations for Content Based Image Retrieval

• arxiv url: http://arxiv.org/abs/2206.02912v1
• Date: Mon, 6 Jun 2022 21:27:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 15:28:02.984931
• Title: Learning Treatment Plan Representations for Content Based Image Retrieval
• Title（参考訳）: コンテンツベース画像検索のための学習処理計画表現
• Authors: Charles Huang, Varun Vasudevan, Oscar Pastor-Serrano, Md Tauhidul Islam, Yusuke Nomura, Yong Yang, and Lei Xing
• Abstract要約: そこで本研究では, 従来計画されていた症例の線量分布を, 解剖学的類似性に基づいて検索するCBIR法を提案する。 提案手法は,患者の解剖学的情報の潜在空間埋め込みを生成する表現モデルを訓練する。 新しい患者の潜伏空間の埋め込みは、線量分布の画像検索のためのデータベースにおいて、以前の患者の空間の埋め込みと比較される。
• 参考スコア（独自算出の注目度）: 8.367855337863068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Knowledge based planning (KBP) typically involves training an end-to-end deep learning model to predict dose distributions. However, training end-to-end KBP methods may be associated with practical limitations due to the limited size of medical datasets that are often used. To address these limitations, we propose a content based image retrieval (CBIR) method for retrieving dose distributions of previously planned patients based on anatomical similarity. Approach: Our proposed CBIR method trains a representation model that produces latent space embeddings of a patient's anatomical information. The latent space embeddings of new patients are then compared against those of previous patients in a database for image retrieval of dose distributions. Summary metrics (e.g. dose-volume histogram, conformity index, homogeneity index, etc.) are computed and can then be utilized in subsequent automated planning. All source code for this project is available on github. Main Results: The retrieval performance of various CBIR methods is evaluated on a dataset consisting of both publicly available plans and clinical plans from our institution. This study compares various encoding methods, ranging from simple autoencoders to more recent Siamese networks like SimSiam, and the best performance was observed for the multitask Siamese network. Significance: Applying CBIR to inform subsequent treatment planning potentially addresses many limitations associated with end-to-end KBP. Our current results demonstrate that excellent image retrieval performance can be obtained through slight changes to previously developed Siamese networks. We hope to integrate CBIR into automated planning workflow in future works, potentially through methods like the MetaPlanner framework.
• Abstract（参考訳）: 目的:知識ベース計画(KBP)は通常、線量分布を予測するためにエンドツーエンドのディープラーニングモデルをトレーニングする。 しかしながら、エンドツーエンドのKBP手法のトレーニングは、しばしば使用される医療データセットのサイズが制限されているため、実践的な制限に結びつく可能性がある。 これらの限界に対処するために,前回計画された患者の線量分布を解剖学的類似性に基づいて検索するコンテンツベース画像検索(cbir)法を提案する。 アプローチ:提案手法は患者の解剖学的情報の潜時空間埋め込みを生成する表現モデルを訓練する。 新しい患者の潜伏空間の埋め込みは、線量分布の画像検索のためのデータベースにおいて、以前の患者と比較される。 概略指標(線量体積ヒストグラム、適合度指数、均一度指数など)を計算し、その後の自動計画に利用することができる。 このプロジェクトのすべてのソースコードは、githubで入手できる。 主な結果: 各種CBIR法の検索性能を, 当施設の公開計画と臨床計画からなるデータセットを用いて評価した。 本研究は,単純なオートエンコーダからsimsiam のような最近の siamese ネットワークまで,様々な符号化手法を比較し,マルチタスク siamese ネットワークで最高の性能が得られた。 意義:CBIRを適用してその後の治療計画を伝えることは、エンドツーエンドのKBPに関連する多くの制限に対処する可能性がある。 本研究は,従来開発されたsiameseネットワークにわずかな変更を加えることで,優れた画像検索性能が得られることを示す。 CBIRを将来の作業における自動計画ワークフローに統合したいと思っています。

関連論文リスト

• Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
  本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。 我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• DoseDiff: Distance-aware Diffusion Model for Dose Prediction in Radiotherapy [7.934475806787889]
  線量分布を正確に予測するための距離認識拡散モデル(DoseDiff)を提案する。 その結果,ドセディフ法は定量的性能と視覚的品質の両方の観点から,最先端の線量予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-28T15:58:53Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。