論文の概要: Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net
- arxiv url: http://arxiv.org/abs/2304.02353v1
- Date: Wed, 5 Apr 2023 10:40:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 12:52:44.828044
- Title: Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net
- Title（参考訳）: U-Netを用いたCTシリーズにおける計画目標体積の分割
- Authors: Ricardo Coimbra Brioso, Damiano Dei, Ciro Franzese, Nicola Lambri,
Daniele Loiacono, Pietro Mancosu, Marta Scorsetti
- Abstract要約: U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radiotherapy (RT) is a key component in the treatment of various cancers,
including Acute Lymphocytic Leukemia (ALL) and Acute Myelogenous Leukemia
(AML). Precise delineation of organs at risk (OARs) and target areas is
essential for effective treatment planning. Intensity Modulated Radiotherapy
(IMRT) techniques, such as Total Marrow Irradiation (TMI) and Total Marrow and
Lymph node Irradiation (TMLI), provide more precise radiation delivery compared
to Total Body Irradiation (TBI). However, these techniques require
time-consuming manual segmentation of structures in Computerized Tomography
(CT) scans by the Radiation Oncologist (RO). In this paper, we present a deep
learning-based auto-contouring method for segmenting Planning Target Volume
(PTV) for TMLI treatment using the U-Net architecture. We trained and compared
two segmentation models with two different loss functions on a dataset of 100
patients treated with TMLI at the Humanitas Research Hospital between 2011 and
2021. Despite challenges in lymph node areas, the best model achieved an
average Dice score of 0.816 for PTV segmentation. Our findings are a
preliminary but significant step towards developing a segmentation model that
has the potential to save radiation oncologists a considerable amount of time.
This could allow for the treatment of more patients, resulting in improved
clinical practice efficiency and more reproducible contours.
- Abstract（参考訳）: 放射線療法 (RT) は急性リンパ性白血病 (ALL) や急性骨髄性白血病 (AML) など様々ながんの治療において重要な要素である。
リスクのある臓器(oars)と標的領域の正確な区切りは、効果的な治療計画に不可欠である。
TMI(Total Marrow Irradiation)やTMLI(Total Marrow and Lymph node Irradiation)のようなIMRT(Intensity Modulated Radiotherapy)は、Total Body Irradiation(Total Body Irradiation)よりも正確な放射線照射を提供する。
しかし, 放射線腫瘍学者 (ro) によるctスキャンでは, 時間を要する手作業による構造分割が必要となる。
本稿では,U-Netアーキテクチャを用いたTMLI処理のための計画目標ボリューム(PTV)分割のためのディープラーニングに基づく自動構成手法を提案する。
2011年から2021年にかけて,Humanitas Research HospitalでTMLIを治療した100人の患者を対象に,2つのセグメンテーションモデルを訓練・比較した。
リンパ節領域の課題にもかかわらず、最良のモデルは、PTVセグメンテーションにおける平均Diceスコア0.816を達成した。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
これにより、より多くの患者の治療が可能となり、臨床実践効率が向上し、再現可能な輪郭が向上する。
関連論文リスト
- Two Stage Segmentation of Cervical Tumors using PocketNet [0.32985979395737786]
この研究は、新しいディープラーニングモデル(PocketNet)を用いて、T2w MRI上の頸部、血管、子宮、腫瘍を分割した。
PocketNetはDice-Sorensen類似度係数 (DSC) を70%以上, 臓器分節率 (80%) で達成した。
論文 参考訳（メタデータ） (2024-09-17T17:48:12Z) - Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。
ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - LLM-driven Multimodal Target Volume Contouring in Radiation Oncology [46.23891509553877]
大規模言語モデル(LLM)は、テキスト情報と画像の統合を容易にする。
LLM駆動型マルチモーダルAI,すなわちLLMSegを提案する。
提案モデルでは,従来のユニモーダルAIモデルと比較して,性能が著しく向上していることが実証された。
論文 参考訳（メタデータ） (2023-11-03T13:38:42Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳（メタデータ） (2023-04-18T10:14:45Z) - Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics
and Machine Learning [7.165205048529115]
放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。
この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。
以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
論文 参考訳（メタデータ） (2023-02-17T10:55:18Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Lung Infection Quantification of COVID-19 in CT Images with Deep
Learning [41.35413216175024]
深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。
感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
論文 参考訳（メタデータ） (2020-03-10T11:58:40Z)
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。