論文の概要: SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction Based on Multi-Scale Fusion of Anatomical Structures, Guided by SwinTransformer and Projector

• arxiv url: http://arxiv.org/abs/2312.06187v1
• Date: Mon, 11 Dec 2023 08:07:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 16:29:02.599552
• Title: SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction Based on Multi-Scale Fusion of Anatomical Structures, Guided by SwinTransformer and Projector
• Title（参考訳）: sp-diffdose : swintransformer と projector による多スケール解剖構造融合に基づく放射線線量予測のための条件拡散モデル
• Authors: Linjie Fu, Xia Li, Xiuding Cai, Yingkai Wang, Xueyao Wang, Yu Yao, Yali Shen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.18016609082685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiation therapy serves as an effective and standard method for cancer treatment. Excellent radiation therapy plans always rely on high-quality dose distribution maps obtained through repeated trial and error by experienced experts. However, due to individual differences and complex clinical situations, even seasoned expert teams may need help to achieve the best treatment plan every time quickly. Many automatic dose distribution prediction methods have been proposed recently to accelerate the radiation therapy planning process and have achieved good results. However, these results suffer from over-smoothing issues, with the obtained dose distribution maps needing more high-frequency details, limiting their clinical application. To address these limitations, we propose a dose prediction diffusion model based on SwinTransformer and a projector, SP-DiffDose. To capture the direct correlation between anatomical structure and dose distribution maps, SP-DiffDose uses a structural encoder to extract features from anatomical images, then employs a conditional diffusion process to blend noise and anatomical images at multiple scales and gradually map them to dose distribution maps. To enhance the dose prediction distribution for organs at risk, SP-DiffDose utilizes SwinTransformer in the deeper layers of the network to capture features at different scales in the image. To learn good representations from the fused features, SP-DiffDose passes the fused features through a designed projector, improving dose prediction accuracy. Finally, we evaluate SP-DiffDose on an internal dataset. The results show that SP-DiffDose outperforms existing methods on multiple evaluation metrics, demonstrating the superiority and generalizability of our method.
• Abstract（参考訳）: 放射線治療は、がん治療の有効かつ標準的な方法である。 優れた放射線治療計画は常に、経験豊富な専門家による繰り返し試行錯誤によって得られた高品質な線量分布マップに依存している。 しかし、個々の違いと複雑な臨床状況のため、経験豊富な専門家チームでさえ、常に最高の治療計画を達成するのに助けを必要とします。 近年,放射線治療計画プロセスを加速するために線量分布予測手法が多数提案され,良好な結果が得られた。 しかし, 線量分布図は, 臨床応用を制限し, より高頻度な詳細情報を必要とするため, 過剰摂取の問題に苦しむ。 これらの制約に対処するために,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し、条件拡散プロセスを用いて複数のスケールでノイズと解剖学的画像をブレンドし、徐々に線量分布マップにマッピングする。 リスクのある臓器の線量予測分布を高めるため、sp-diffdoseはネットワークのより深い層でswintransformerを使用して、画像の異なるスケールで特徴をキャプチャする。 融合特徴から良好な表現を学ぶために、sp-diffdoseは設計したプロジェクタを通して融合特徴を通り、線量予測精度を向上させる。 最後に,SP-DiffDoseを内部データセット上で評価する。 その結果,SP-DiffDoseは複数の評価指標において既存手法よりも優れており,本手法の優位性と一般化性を示している。

関連論文リスト

• Latent Spaces Enable Transformer-Based Dose Prediction in Complex Radiotherapy Plans [0.11249583407496219]
  マルチレジオン肺SABRプランは複雑で、作成にかなりのリソースを必要とする。 肺SABR計画の線量予測のための新しい2段階潜伏変圧器フレームワーク(LDFormer)を提案する。
  論文  参考訳（メタデータ） (2024-07-11T16:28:44Z)
• 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)
• Triplet-constraint Transformer with Multi-scale Refinement for Dose Prediction in Radiotherapy [10.232397630125886]
  CNNは線量マップを予測して放射線治療計画を自動化する。 現在のCNNベースの方法は、線量マップにおける顕著な線量差を無視している。 高品質な線量分布を予測するために, マルチスケール改良による三重項制約変換器 (TCtrans) を提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:05:29Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• DiffDP: Radiotherapy Dose Prediction via a Diffusion Model [13.44191425264393]
  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。
  論文  参考訳（メタデータ） (2023-07-19T07:25:33Z)
• Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
  ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。 トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。 実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
  論文  参考訳（メタデータ） (2023-06-29T16:24:32Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)

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。