論文の概要: Prediction of post-radiotherapy recurrence volumes in head and neck squamous cell carcinoma using 3D U-Net segmentation

• arxiv url: http://arxiv.org/abs/2308.08396v1
• Date: Wed, 16 Aug 2023 14:28:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 13:03:33.768802
• Title: Prediction of post-radiotherapy recurrence volumes in head and neck squamous cell carcinoma using 3D U-Net segmentation
• Title（参考訳）: 3次元U-Netセグメンテーションによる頭頸部扁平上皮癌の放射線治療後再発量の予測
• Authors: Denis Kutn\'ar, Ivan R Vogelius, Katrin Elisabet H{\aa}kansson, Jens Petersen, Jeppe Friborg, Lena Specht, Mogens Bernsdorf, Anita Gothelf, Claus Kristensen, Abraham George Smith
• Abstract要約: 頭頸部扁平上皮癌では局所再発(LRR)が頻発する。 コンボリューショナルニューラルネットワーク(CNN)が,前処理スキャンに基づいてLRRボリュームを予測できる範囲について検討した。 我々の新しい知見は、CNNがLRRを予測できることを示しているが、臨床的に有用な予測精度を得るためには、データセット開発に関するさらなる研究が必要であることを示唆している。
• 参考スコア（独自算出の注目度）: 0.3913882692674523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Locoregional recurrences (LRR) are still a frequent site of treatment failure for head and neck squamous cell carcinoma (HNSCC) patients. Identification of high risk subvolumes based on pretreatment imaging is key to biologically targeted radiation therapy. We investigated the extent to which a Convolutional neural network (CNN) is able to predict LRR volumes based on pre-treatment 18F-fluorodeoxyglucose positron emission tomography (FDG-PET)/computed tomography (CT) scans in HNSCC patients and thus the potential to identify biological high risk volumes using CNNs. For 37 patients who had undergone primary radiotherapy for oropharyngeal squamous cell carcinoma, five oncologists contoured the relapse volumes on recurrence CT scans. Datasets of pre-treatment FDG-PET/CT, gross tumour volume (GTV) and contoured relapse for each of the patients were randomly divided into training (n=23), validation (n=7) and test (n=7) datasets. We compared a CNN trained from scratch, a pre-trained CNN, a SUVmax threshold approach, and using the GTV directly. The SUVmax threshold method included 5 out of the 7 relapse origin points within a volume of median 4.6 cubic centimetres (cc). Both the GTV contour and best CNN segmentations included the relapse origin 6 out of 7 times with median volumes of 28 and 18 cc respectively. The CNN included the same or greater number of relapse volume POs, with significantly smaller relapse volumes. Our novel findings indicate that CNNs may predict LRR, yet further work on dataset development is required to attain clinically useful prediction accuracy.
• Abstract（参考訳）: 頭頸部扁平上皮癌 (HNSCC) に対して, 局所再発 (LRR) は治療障害の頻発部位である。 術前画像による高リスクサブボリュームの同定は, 放射線治療の鍵となる。 18F-fluorodeoxyglucose positron emission tomography (FDG-PET)/computed tomography (CT) を用いて, コンボリューショナルニューラルネットワーク(CNN)がLRR量を予測できる範囲について検討した。 口腔咽頭扁平上皮癌に対する初回放射線治療を施行した37例に対し,5例の腫瘍学者がctで再発量を調べた。 FDG-PET/CT,GTV,Contoured Relapseの各患者のデータセットをランダムにトレーニング(n=23),検証(n=7),検査(n=7)データセットに分割した。 我々は、スクラッチからトレーニングしたCNN、トレーニング済みCNN、SUVmaxしきい値アプローチ、GTVを直接使用したCNNを比較した。 suvmaxしきい値法では、中央値4.6立方センチメートル (cc) の体積内の7つの再帰点のうち5つを含む。 GTVのコンターとCNNのセグメンテーションでは、それぞれ中央値28ccと18ccの7回のうち6回が再発起源であった。 CNNには同じまたはより多くの再ラプスボリュームPOが含まれ、再ラプスボリュームは大幅に小さくなった。 以上の結果から, cnnはlrrを予測できるが, 臨床的に有用な予測精度を得るためにはデータセット開発がさらに必要であることが示唆された。

関連論文リスト

• Comparing 3D deformations between longitudinal daily CBCT acquisitions using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
  本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。 平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-07T15:07:43Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
  自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。 腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
  論文  参考訳（メタデータ） (2022-09-22T18:44:57Z)
• Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
  肺がんは、がん関連死亡の重大な原因である。 本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
  論文  参考訳（メタデータ） (2022-09-17T23:06:22Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• 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)
• Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
  本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。 以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
  論文  参考訳（メタデータ） (2020-08-27T00:37:50Z)
• Automated detection and quantification of COVID-19 airspace disease on chest radiographs: A novel approach achieving radiologist-level performance using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based ground-truth [12.364523016663878]
  COVID-19関連AD(POv)のボリュームパーセンテージはCTで手動のADセグメンテーションによって確立された。 大規模なCTデータセットから生成されたDRR画像を用いて畳み込みニューラルネットワーク(CNN)を訓練した。 CNNの結果は、CXR上で2人の専門家が定量化したPOaと、計算相関と平均絶対誤差によりPOvの基底構造と比較した。
  論文  参考訳（メタデータ） (2020-08-13T14:33:03Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。