論文の概要: DiffDP: Radiotherapy Dose Prediction via a Diffusion Model
- arxiv url: http://arxiv.org/abs/2307.09794v1
- Date: Wed, 19 Jul 2023 07:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 15:06:51.255991
- Title: DiffDP: Radiotherapy Dose Prediction via a Diffusion Model
- Title(参考訳): DiffDP:拡散モデルによる放射線治療線量予測
- Authors: Zhenghao Feng, Lu Wen, Peng Wang, Binyu Yan, Xi Wu, Jiliu Zhou, Yan
Wang
- Abstract要約: がん患者の放射線線量分布を予測するための拡散型線量予測(DiffDP)モデルを提案する。
前処理では、DiffDPは小さなノイズを加えることで線量マップをガウスノイズに徐々に変換し、ノイズ予測器を訓練し、各時間ステップに付加されるノイズを予測する。
逆処理では、よく訓練されたノイズ予測器を用いて、元のガウス雑音から複数のステップでノイズを除去し、最終的に予測された線量分布マップを出力する。
- 参考スコア(独自算出の注目度): 13.44191425264393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, deep learning (DL) has achieved the automatic prediction of dose
distribution in radiotherapy planning, enhancing its efficiency and quality.
However, existing methods suffer from the over-smoothing problem for their
commonly used L_1 or L_2 loss with posterior average calculations. To alleviate
this limitation, we innovatively introduce a diffusion-based dose prediction
(DiffDP) model for predicting the radiotherapy dose distribution of cancer
patients. Specifically, the DiffDP model contains a forward process and a
reverse process. In the forward process, DiffDP gradually transforms dose
distribution maps into Gaussian noise by adding small noise and trains a noise
predictor to predict the noise added in each timestep. In the reverse process,
it removes the noise from the original Gaussian noise in multiple steps with
the well-trained noise predictor and finally outputs the predicted dose
distribution map. To ensure the accuracy of the prediction, we further design a
structure encoder to extract anatomical information from patient anatomy images
and enable the noise predictor to be aware of the dose constraints within
several essential organs, i.e., the planning target volume and organs at risk.
Extensive experiments on an in-house dataset with 130 rectum cancer patients
demonstrate the s
- Abstract(参考訳): 現在、深層学習(DL)は放射線治療計画における線量分布の自動予測を達成し、その効率と品質を高めている。
しかし, 従来の手法では, L_1 や L_2 の損失と後続平均計算の相違が問題となっている。
この制限を緩和するために,がん患者の放射線線量分布を予測する拡散線量予測(DiffDP)モデルを革新的に導入する。
具体的には、DiffDPモデルはフォワードプロセスとリバースプロセスを含む。
前処理では、DiffDPは小さなノイズを加えることで線量分布マップをガウスノイズに徐々に変換し、ノイズ予測器を訓練し、各時間ステップに付加されるノイズを予測する。
逆処理では、訓練された雑音予測器で複数のステップで元のガウス雑音からノイズを除去し、最終的に予測された線量分布マップを出力する。
予測の精度を確保するため,患者解剖画像から解剖情報を抽出する構造エンコーダを設計し,ノイズ予測器がいくつかの重要な臓器,すなわち計画対象体積と危険臓器内の線量制約を認識できるようにする。
130例の直腸癌患者による社内データセットの広範囲にわたる実験
関連論文リスト
- FDDM: Frequency-Decomposed Diffusion Model for Rectum Cancer Dose Prediction in Radiotherapy [12.025221208748308]
拡散モデルはコンピュータビジョンにおいて大きな成功をおさめ、より周波数の細かい画像を生成する。
線量マップの高周波サブバンドを改良する周波数分解拡散モデルを提案する。
高周波数サブバンドにおける粗い予測結果と基底真実との間には顕著な違いがある。
論文 参考訳(メタデータ) (2024-10-10T12:48:42Z) - MD-Dose: A Diffusion Model based on the Mamba for Radiotherapy Dose
Prediction [14.18016609082685]
胸部癌に対する放射線治療用線量分布予測のための新しい拡散モデルMD-Doseを導入する。
前処理では、MD-Doseは線量分布マップにガウスノイズを加え、純粋なノイズ画像を得る。
後向きのプロセスでは、MD-Doseはマンバに基づくノイズ予測器を使用してノイズを予測し、最終的に線量分布マップを出力する。
論文 参考訳(メタデータ) (2024-03-13T12:46:36Z) - SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction
Based on Multi-Scale Fusion of Anatomical Structures, Guided by
SwinTransformer and Projector [14.18016609082685]
本研究では,SwinTransformerとプロジェクタSP-DiffDoseに基づく線量予測拡散モデルを提案する。
解剖学的構造と線量分布マップの直接的な相関を捉えるために、SP-DiffDoseは構造エンコーダを使用して解剖学的画像から特徴を抽出する。
SP-DiffDoseは、リスクのある臓器の線量予測分布を強化するために、ネットワークの深い層でSwinTransformerを使用して、画像のさまざまなスケールの特徴をキャプチャする。
論文 参考訳(メタデータ) (2023-12-11T08:07:41Z) - Diffusion-based Radiotherapy Dose Prediction Guided by Inter-slice Aware Structure Encoding [9.908364285212764]
がん患者の放射線治療線量分布を予測する拡散モデルに基づく方法(DiffDose)を提案する。
DiffDoseは、線量分布マップを小さなノイズを徐々に加えることによって純粋なガウス雑音に変換し、ノイズ予測器を同時に訓練し、各タイミングで加算されたノイズを推定する。
逆処理では、よく訓練されたノイズ予測器を用いて、純粋なガウス雑音から複数のステップでノイズを除去し、最終的に予測された線量分布マップを出力する。
論文 参考訳(メタデータ) (2023-11-06T09:54:47Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - DoseDiff: Distance-aware Diffusion Model for Dose Prediction in Radiotherapy [7.934475806787889]
線量分布を正確に予測するための距離認識拡散モデル(DoseDiff)を提案する。
その結果,ドセディフ法は定量的性能と視覚的品質の両方の観点から,最先端の線量予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-28T15:58:53Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - On Signal-to-Noise Ratio Issues in Variational Inference for Deep
Gaussian Processes [55.62520135103578]
重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。
DGPモデルの予測性能が一貫した改善につながることを示す。
論文 参考訳(メタデータ) (2020-11-01T14:38:02Z) - Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using
Multi-Task Learning [59.17383024536595]
後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。
前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。
本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
論文 参考訳(メタデータ) (2020-07-08T10:47:37Z) - Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。
次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文 参考訳(メタデータ) (2020-01-31T23:50:03Z)
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。