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

• A study on deep feature extraction to detect and classify Acute Lymphoblastic Leukemia (ALL) [0.0]
  急性リンパ芽球性白血病(ALL)は、主に成人と小児に影響を及ぼす血液悪性腫瘍である。 本研究では、深い学習、特に畳み込みニューラルネットワーク(CNN)を用いて、ALLの検出と分類を行う。 87%の精度で、ResNet101モデルは最高の結果をもたらし、その後にDenseNet121とVGG19が続いた。
  論文  参考訳（メタデータ） (2024-09-10T17:53:29Z)
• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、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の強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Artificial Neural Networks-based Real-time Classification of ENG Signals for Implanted Nerve Interfaces [7.335832236913667]
  そこで我々は,ラットの坐骨神経で測定された脳波(ENG)信号から感覚刺激を抽出するために,4種類の人工ニューラルネットワーク(ANN)を探索した。 データセットの異なるサイズは、リアルタイム分類のための調査されたANNの実現可能性を分析するために考慮される。 以上の結果から,ANNはリアルタイムアプリケーションに適しており,100ドル,200ドル以上の信号ウィンドウに対して90%以上のアキュラシーを達成でき,その処理時間も低く,病的回復に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-29T15:23:30Z)
• 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)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• 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。