論文の概要: Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function

• arxiv url: http://arxiv.org/abs/2207.03414v1
• Date: Thu, 7 Jul 2022 16:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 14:04:25.502409
• Title: Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function
• Title（参考訳）: モーメントベース損失関数を用いた領域知識駆動3次元線量予測
• Authors: Gourav Jhanwar, Navdeep Dahiya, Parmida Ghahremani, Masoud Zarepisheh, Saad Nadeem
• Abstract要約: ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。 本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
• 参考スコア（独自算出の注目度）: 3.2653790770825686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dose volume histogram (DVH) metrics are widely accepted evaluation criteria in the clinic. However, incorporating these metrics into deep learning dose prediction models is challenging due to their non-convexity and non-differentiability. We propose a novel moment-based loss function for predicting 3D dose distribution for the challenging conventional lung intensity modulated radiation therapy (IMRT) plans. The moment-based loss function is convex and differentiable and can easily incorporate DVH metrics in any deep learning framework without computational overhead. The moments can also be customized to reflect the clinical priorities in 3D dose prediction. For instance, using high-order moments allows better prediction in high-dose areas for serial structures. We used a large dataset of 360 (240 for training, 50 for validation and 70 for testing) conventional lung patients with 2Gy $\times$ 30 fractions to train the deep learning (DL) model using clinically treated plans at our institution. We trained a UNet like CNN architecture using computed tomography (CT), planning target volume (PTV) and organ-at-risk contours (OAR) as input to infer corresponding voxel-wise 3D dose distribution. We evaluated three different loss functions: (1) The popular Mean Absolute Error (MAE) Loss, (2) the recently developed MAE + DVH Loss, and (3) the proposed MAE + Moments Loss. The quality of the predictions was compared using different DVH metrics as well as dose-score and DVH-score, recently introduced by the AAPM knowledge-based planning grand challenge. Model with (MAE + Moment) loss function outperformed the model with MAE loss by significantly improving the DVH-score (11%, p$<$0.01) while having similar computational cost. It also outperformed the model trained with (MAE+DVH) by significantly improving the computational cost (48%) and the DVH-score (8%, p$<$0.01).
• Abstract（参考訳）: ドーズボリュームヒストグラム(DVH)は,臨床で広く認められた評価基準である。 しかし、これらの指標を深層学習用量予測モデルに組み込むことは、その非凸性と非微分可能性のために困難である。 従来の肺強度変調放射線治療(IMRT)計画における3次元線量分布予測のための新しいモーメントベース損失関数を提案する。 モーメントベースの損失関数は凸かつ微分可能であり、計算オーバーヘッドなしに任意のディープラーニングフレームワークにdvhメトリックを簡単に組み込むことができる。 モーメントは、3d線量予測の臨床的優先順位を反映してカスタマイズすることもできる。 例えば、高次モーメントを用いることで、連続構造の高線量領域でのより良い予測が可能になる。 360 (240 をトレーニング,50 を検証,70 をテストに使用) の大規模データセットを使用して,2gy$\times (30 パーセンテージ) の肺患者を対象に,臨床計画を用いた深層学習モデル(dl)をトレーニングした。 我々は,CT(Computed Tomography),PTV(Planning target volume),OAR(Organ-at-risk contours)を用いて,CNNアーキテクチャのようなUNetをトレーニングし,対応するvoxel-wise 3D線量分布を推定した。 我々は,(1)人気平均絶対誤差(MAE)損失,(2)最近開発されたMAE+DVH損失,(3)提案したMAE+Moments損失の3つの損失関数を評価した。 予測の質は、最近AAPMの知識に基づく計画大挑戦によって導入された線量スコアとDVHスコアと同様に、異なるDVHメトリクスを用いて比較された。 DVHスコア(11%, p$<$0.01) を大幅に改善し, 同様の計算コストを伴い, (MAE + Moment) 損失関数のモデルではMAE損失のモデルよりも優れていた。 また、計算コスト(48%)とDVHスコア(8%、p$<0.01)を大幅に改善することで、トレーニングされたモデル(MAE+DVH)よりも優れていた。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Predicting Ejection Fraction from Chest X-rays Using Computer Vision for Diagnosing Heart Failure [8.955986135184375]
  Ejection fraction (EF) は心不全の診断と管理のための重要な指標である。 胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。 本研究は,CXRのみからEFの低減を予測するためのコンピュータビジョン技術の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-19T21:18:27Z)
• 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)
• Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP) [2.649401887836554]
  急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。 CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。 ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
  論文  参考訳（メタデータ） (2022-11-16T17:32:29Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans [3.4742750855568767]
  本研究では、社内の自動計画システム(ECHO')によって生成される一貫した計画を用いて、DLモデルをトレーニングする。 ECHOは、大規模な制約付き最適化問題を逐次解決することで、一貫した/偏りのない計画を生成する。 予測の質は、最近AAPMの知識に基づく計画大挑戦によって導入された線量スコアとDVHスコアと同様に、異なるDVHメトリクスを用いて比較された。
  論文  参考訳（メタデータ） (2021-06-07T15:15:05Z)
• A comparison of Monte Carlo dropout and bootstrap aggregation on the performance and uncertainty estimation in radiation therapy dose prediction with deep learning neural networks [0.46180371154032895]
  本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。 パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
  論文  参考訳（メタデータ） (2020-11-01T00:24:43Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。