論文の概要: Sensitivity analysis of biological washout and depth selection for a
machine learning based dose verification framework in proton therapy
- arxiv url: http://arxiv.org/abs/2212.11352v1
- Date: Wed, 21 Dec 2022 20:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 15:21:08.067979
- Title: Sensitivity analysis of biological washout and depth selection for a
machine learning based dose verification framework in proton therapy
- Title(参考訳): 機械学習に基づく陽子療法用線量検証フレームワークにおける生物学的洗浄および深度選択の感度解析
- Authors: Shixiong Yu, Yuxiang Liu, Zongsheng Hu, Haozhao Zhang, Pengyu Qi, Hao
Peng
- Abstract要約: 陽電子放出体を用いた線量検証は, 品質保証ツールとして有望である。
実用化に向けて一歩前進するためには、生物学的洗浄と深度選択という2つの要因の感度分析を行う必要がある。
提案するAIフレームワークは,2つの要因に関連する摂動に対して良好な免疫力を示す。
- 参考スコア(独自算出の注目度): 19.718172235291647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dose verification based on proton-induced positron emitters is a promising
quality assurance tool and may leverage the strength of artificial
intelligence. To move a step closer towards practical application, the
sensitivity analysis of two factors needs to be performed: biological washout
and depth selection. selection. A bi-directional recurrent neural network (RNN)
model was developed. The training dataset was generated based upon a CT
image-based phantom (abdomen region) and multiple beam energies/pathways, using
Monte-Carlo simulation (1 mm spatial resolution, no biological washout). For
the modeling of biological washout, a simplified analytical model was applied
to change raw activity profiles over a period of 5 minutes, incorporating both
physical decay and biological washout. For the study of depth selection (a
challenge linked to multi field/angle irradiation), truncations were applied at
different window lengths (100, 125, 150 mm) to raw activity profiles. Finally,
the performance of a worst-case scenario was examined by combining both factors
(depth selection: 125 mm, biological washout: 5 mins). The accuracy was
quantitatively evaluated in terms of range uncertainty, mean absolute error
(MAE) and mean relative errors (MRE). Our proposed AI framework shows good
immunity to the perturbation associated with two factors. The detection of
proton-induced positron emitters, combined with machine learning, has great
potential to implement online patient-specific verification in proton therapy.
- Abstract(参考訳): 陽電子エミッタによる線量検証は,人工知能の強みを活用する上で有望な品質保証ツールである。
実用化に向けて一歩近づくためには,生物学的洗浄と深さ選択の2つの因子の感度分析を行う必要がある。
選択だ
双方向リカレントニューラルネットワーク(RNN)モデルを開発した。
訓練データセットは, モンテカルロシミュレーション(空間分解能1mm, 生物学的洗浄は行わない)を用いて, ct画像を用いたファントム(腹部領域)と複数のビームエネルギー/経路に基づいて生成した。
生物学的洗浄液のモデリングには, 物理的劣化と生物学的洗浄液の両方を取り入れた簡易な分析モデルを用いて, 5分間にわたる活性分布の変化を行った。
深度選択(マルチフィールド・アングル照射による挑戦)の研究のために, 異なる窓長(100mm, 125mm, 150mm)の切り欠きを生の活性プロファイルに適用した。
最後に, 両要因(深度125mm, 生物学的洗剤5分)を組み合わせることにより, 最悪のシナリオの性能を検討した。
精度は,範囲不確かさ,平均絶対誤差(MAE),平均相対誤差(MRE)で定量的に評価した。
提案するAIフレームワークは,2つの要因に関連する摂動に対して良好な免疫力を示す。
プロトン誘発性陽電子放出物質の検出と機械学習の併用は、プロトン療法におけるオンライン患者固有の検証を実装する大きな可能性を秘めている。
関連論文リスト
- Equipping Computational Pathology Systems with Artifact Processing
Pipelines: A Showcase for Computation and Performance Trade-offs [0.7226586370054761]
損傷組織, ぼかし, 折りたたみ組織, 気泡, 組織学的に無関係な血液を含む5つの重要な人工物を検出するための専門家(MoE)の混合手法を提案する。
2つのMoEと2つのマルチクラスモデルであるDCNNとビジョントランスフォーマーを用いたDLパイプラインを開発した。
提案されたMoEは86.15%のF1と97.93%の感度スコアを持ち、ViTを用いたMoEよりも推論の計算コストが低い。
論文 参考訳(メタデータ) (2024-03-12T15:22:05Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Exploring hyperelastic material model discovery for human brain cortex:
multivariate analysis vs. artificial neural network approaches [10.003764827561238]
本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。
我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
論文 参考訳(メタデータ) (2023-10-16T18:49:59Z) - FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and
adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。
我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文 参考訳(メタデータ) (2023-08-24T12:26:38Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳(メタデータ) (2023-01-19T11:37:20Z) - In Silico Prediction of Blood-Brain Barrier Permeability of Chemical
Compounds through Molecular Feature Modeling [0.0]
中枢神経系障害を治療する新薬の開発は、血液脳関門をまたぐ浸透効果の低下により、ユニークな課題を呈している。
本研究では,化学物質の特徴を解析するMLモデルを用いて,この問題を軽減することを目的とする。
論文 参考訳(メタデータ) (2022-08-18T19:59:44Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Improving the robustness and accuracy of biomedical language models
through adversarial training [7.064032374579076]
ディープトランスフォーマーニューラルネットワークモデルは、生物医学領域におけるインテリジェントテキスト処理システムの予測精度を改善した。
ニューラルNLPモデルは、テキストの意味と理解性を保持するが、NLPシステムに誤った判断を強要する入力に対する小さな変更など、敵対的なサンプルによって簡単に騙される。
これにより、バイオメディカルNLPシステムのセキュリティと信頼性に対する深刻な懸念が生じる。
論文 参考訳(メタデータ) (2021-11-16T14:58:05Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。