論文の概要: Prediction of the motion of chest internal points using a recurrent neural network trained with real-time recurrent learning for latency compensation in lung cancer radiotherapy

• arxiv url: http://arxiv.org/abs/2207.05951v1
• Date: Wed, 13 Jul 2022 04:08:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 14:21:59.631030
• Title: Prediction of the motion of chest internal points using a recurrent neural network trained with real-time recurrent learning for latency compensation in lung cancer radiotherapy
• Title（参考訳）: リアルタイム反復学習による肺がん放射線治療における胸部内点運動の予測
• Authors: Michel Pohl, Mitsuru Uesaka, Kazuyuki Demachi, Ritu Bhusal Chhatkuli
• Abstract要約: 追跡点と初期腫瘍像から3次元の腫瘍像を復元・予測する手法を提案する。 テストセット上のRNN予測に対応するルート平均二乗誤差、最大誤差、ジッタは、線形予測と最小平均二乗(LMS)で得られたものと同じ性能測定値よりも小さい。 予測画像の腫瘍位置は視力的に正しかったが, 原画像と予測画像の相互相関は0.955と高い値であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: During the radiotherapy treatment of patients with lung cancer, the radiation delivered to healthy tissue around the tumor needs to be minimized, which is difficult because of respiratory motion and the latency of linear accelerator systems. In the proposed study, we first use the Lucas-Kanade pyramidal optical flow algorithm to perform deformable image registration of chest computed tomography scan images of four patients with lung cancer. We then track three internal points close to the lung tumor based on the previously computed deformation field and predict their position with a recurrent neural network (RNN) trained using real-time recurrent learning (RTRL) and gradient clipping. The breathing data is quite regular, sampled at approximately 2.5Hz, and includes artificial drift in the spine direction. The amplitude of the motion of the tracked points ranged from 12.0mm to 22.7mm. Finally, we propose a simple method for recovering and predicting 3D tumor images from the tracked points and the initial tumor image based on a linear correspondence model and Nadaraya-Watson non-linear regression. The root-mean-square error, maximum error, and jitter corresponding to the RNN prediction on the test set were smaller than the same performance measures obtained with linear prediction and least mean squares (LMS). In particular, the maximum prediction error associated with the RNN, equal to 1.51mm, is respectively 16.1% and 5.0% lower than the maximum error associated with linear prediction and LMS. The average prediction time per time step with RTRL is equal to 119ms, which is less than the 400ms marker position sampling time. The tumor position in the predicted images appears visually correct, which is confirmed by the high mean cross-correlation between the original and predicted images, equal to 0.955.
• Abstract（参考訳）: 肺癌に対する放射線治療では, 腫瘍周辺の健全な組織への放射線照射を最小化する必要があるが, 呼吸運動とリニア加速器系の遅延のため困難である。 そこで本研究では,lucas-kanadeピラミッド型光フローアルゴリズムを用いて,肺癌4例の胸部ctスキャン画像の変形性画像登録を行った。 次に,前回計算した変形場に基づいて肺腫瘍近傍の3つの内部点を追跡し,リアルタイムリカレントラーニング(RTRL)と勾配クリッピングを用いてトレーニングしたリカレントニューラルネットワーク(RNN)を用いてその位置を予測する。 呼吸データは規則的であり、約2.5Hzでサンプリングされ、脊椎方向に人工的なドリフトを含む。 軌跡の運動振幅は12.0mmから22.7mmであった。 最後に, 線形対応モデルとNadaraya-Watson非線形回帰に基づいて, 追跡点と初期腫瘍像から3次元腫瘍像を復元・予測する簡単な手法を提案する。 テストセット上でのRNN予測に対応するルート平均二乗誤差,最大誤差,ジッタは,線形予測と最小平均二乗(LMS)で得られたのと同じ性能尺度よりも小さい。 特に、rnn に関連する最大予測誤差は 1.51mm に等しいが、線形予測と lms に関連する最大誤差よりもそれぞれ 16.1% と 5.0% 低い。 rtrlでの時間ステップ当たりの平均予測時間は119msであり、400msマーカ位置サンプリング時間よりも少ない。 予測画像の腫瘍位置は視力的に正しかったが, 原画像と予測画像の相互相関は0.955と高い値であった。

関連論文リスト

• Future frame prediction in chest cine MR imaging using the PCA respiratory motion model and dynamically trained recurrent neural networks [0.0]
  肺放射線治療システムは、推定腫瘍位置の不確実性や健康な組織の高照射を引き起こす遅延を受ける。 この研究は、オンライン学習アルゴリズムで訓練されたRNNを用いて、胸部ダイナミックMRIシーケンスの将来のフレーム予測に対処し、その遅延を補償する。
  論文  参考訳（メタデータ） (2024-10-08T10:21:43Z)
• Respiratory motion forecasting with online learning of recurrent neural networks for safety enhancement in externally guided radiotherapy [0.0]
  リアルタイム反復学習(Real-time Recurrent Learning, RTRL)は、非定常呼吸データ内のパターンを学習できるが、複雑さが高いため、潜在的な解決法である。 本研究は,放射線治療中の呼吸運動を正確に予測する資源効率の高いオンラインRNNアルゴリズムの能力を評価する。
  論文  参考訳（メタデータ） (2024-03-03T20:16:16Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• 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)
• RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG Respiratory Rate Estimation [0.6464087844700315]
  RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。 標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。 本研究では,RRWaveNetを連続的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-18T07:11:34Z)
• Deep Learning Neural Network for Lung Cancer Classification: Enhanced Optimization Function [28.201018420730332]
  本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。 提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
  論文  参考訳（メタデータ） (2022-08-05T18:41:17Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Prediction of the Position of External Markers Using a Recurrent Neural Network Trained With Unbiased Online Recurrent Optimization for Safe Lung Cancer Radiotherapy [0.0]
  肺癌放射線療法では、胸部における赤外線反射物体の位置を記録し、腫瘍の位置を推定することができる。 この現象を考慮に入れないことは、健康な組織に不必要に損傷を与え、放射線肺炎などの副作用を引き起こす可能性がある。 健常人の胸部および腹部に3つの外部マーカーの3次元位置を73sから222s間隔で観察した。 我々は、リカレントニューラルネットワーク(RNN)を用いて、0.1秒から2.0秒の間、各マーカーの位置と地平線値(事前に予測する時間間隔)を同時に予測する。
  論文  参考訳（メタデータ） (2021-06-02T12:07:31Z)
• 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)

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。