Fugu-MT 論文翻訳(概要): Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac

論文の概要: Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac

arxiv url: http://arxiv.org/abs/2312.02211v1
Date: Sun, 3 Dec 2023 04:38:17 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 18:24:21.290237
Title: Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac
Title（参考訳）: MR-LinacにおけるMRのみ適応放射線治療のためのサイクリックコンシステント・ジェネレーション・アドバーサリアル・ネットワーク・シンセティックCT
Authors: Gabriel L. Asher, Bassem I. Zaki, Gregory A. Russo, Gobind S. Gill, Charles R. Thomas, Temiloluwa O. Prioleau, Rongxiao Zhang, and Brady Hunt
Abstract要約: MR-LINAC治療のMRIおよびCTスキャンスライスを用いてサイクロGANモデルを訓練し,sCTボリュームを作成した。ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: This study assesses the effectiveness of Deep Learning (DL) for creating synthetic CT (sCT) images in MR-guided adaptive radiation therapy (MRgART). Methods: A Cycle-GAN model was trained with MRI and CT scan slices from MR-LINAC treatments, generating sCT volumes. The analysis involved retrospective treatment plan data from patients with various tumors. sCT images were compared with standard CT scans using mean absolute error in Hounsfield Units (HU) and image similarity metrics (SSIM, PSNR, NCC). sCT volumes were integrated into a clinical treatment system for dosimetric re-evaluation. Results: The model, trained on 8405 frames from 57 patients and tested on 357 sCT frames from 17 patients, showed sCTs comparable to dCTs in electron density and structural similarity with MRI scans. The MAE between sCT and dCT was 49.2 +/- 13.2 HU, with sCT NCC exceeding dCT by 0.06, and SSIM and PSNR at 0.97 +/- 0.01 and 19.9 +/- 1.6 respectively. Dosimetric evaluations indicated minimal differences between sCTs and dCTs, with sCTs showing better air-bubble reconstruction. Conclusions: DL-based sCT generation on MR-Linacs is accurate for dose calculation and optimization in MRgART. This could facilitate MR-only treatment planning, enhancing simulation and adaptive planning efficiency on MR-Linacs.
Abstract（参考訳）: 目的:MR誘導適応放射線療法(MRgART)におけるSCT画像作成におけるディープラーニング(DL)の有効性について検討した。方法: MR-LINAC治療のMRIおよびCTスキャンスライスを用いてCycle-GANモデルを訓練した。この分析は、様々な腫瘍患者からの振り返り治療計画データを含む。 sCT画像は,Hounsfield Units(HU)と画像類似度指標(SSIM, PSNR, NCC)の平均絶対誤差を用いて,標準CTスキャンと比較した。 sCTボリュームをドシメトリック再評価のための臨床治療システムに統合した。結果: このモデルでは, 57例の8405フレームで訓練し, 17例の357 sCTフレームで試験した。 sCTとdCTの間のMAEは49.2+/-13.2HUで、sCT NCCは0.06以上、SSIMとPSNRはそれぞれ0.97+/0.01、PSNRは19.9+/-1.6であった。ドシメトリック評価では, sCTとdCTの差は小さかったが, sCTでは気泡再建が良好であった。結論: MR-Linacs における DL ベースの sCT 生成は MRgART の線量計算と最適化に正確である。これによりMRのみの治療計画、シミュレーションの強化、MR-Linacの適応計画効率が向上する。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
CT-based Subchondral Bone Microstructural Analysis in Knee Osteoarthritis via MR-Guided Distillation Learning [9.043382067913397]
MRをベースとした軟骨下骨は膝関節症を効果的に予測するが,その臨床応用はMRの費用と時間によって制限される。単純取得CT画像を用いた軟骨下骨組織解析のための新しい蒸留学習法SRRDを開発した。 Tb. Th, Tb. Sp, Tb. Nはそれぞれ0.804, 0.773, 0.711, 0.622のクラス内相関係数(ICCs)を得た。
論文参考訳（メタデータ） (2023-07-10T07:54:29Z)
Synthetic CT Generation from MRI using 3D Transformer-based Denoising Diffusion Model [2.232713445482175]
磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
論文参考訳（メタデータ） (2023-05-31T00:32:00Z)
Classical and learned MR to pseudo-CT mappings for accurate transcranial ultrasound simulation [0.33598755777055367]
MR画像から擬似CT画像を生成する3つの手法を比較した。また, 擬似CT画像を用いて超音波シミュレーションを行い, CTによるシミュレーションと比較した。
論文参考訳（メタデータ） (2022-06-30T17:33:44Z)
Domain Adaptation of Automated Treatment Planning from Computed Tomography to Magnetic Resonance [0.5599792629509229]
我々はCT学習機械学習モデルを用いた高許容磁気共鳴治療計画の作成を行った。臨床的にCTによる計画から有意な線量偏差が認められた。
論文参考訳（メタデータ） (2022-03-07T18:18:00Z)
Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation [4.3971310109651665]
現在の臨床実践では、放射線治療中の患者設定にのみ、ノイズとアーティファクトを付加した毎週のコーンビームCT画像が用いられる。治療計画には, 高画質計画ct (pct) 画像とoars ( organ-at-risk) 構造の手輪郭を用いて, 治療開始時に一度行う。 OAR構造を同時にセグメンテーションしながら毎週CBCT画像の品質を向上させることができれば、放射線治療中の治療適応や治療応答のためのバイオマーカーの抽出に重要な情報を提供することができる。
論文参考訳（メタデータ） (2021-03-09T19:51:44Z)
COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文参考訳（メタデータ） (2020-09-08T15:49:55Z)
Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark Study from Multi-Sequence Cardiac MR Segmentation Challenge [43.01944884184009]
本稿では,MII 2019とともに,Multi-Sequence MR (MS-CMR) チャレンジの選択的結果を示す。新しいアルゴリズムを開発し、LGE CMRセグメンテーションのための既存のアルゴリズムをベンチマークし、客観的に比較することを目的としていた。これらの手法の成功は主に、MS-CMR画像からの補助的配列を含むことによる。
論文参考訳（メタデータ） (2020-06-22T17:04:38Z)
Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文参考訳（メタデータ） (2020-06-09T00:40:35Z)
Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。