論文の概要: PhysRFANet: Physics-Guided Neural Network for Real-Time Prediction of
Thermal Effect During Radiofrequency Ablation Treatment
- arxiv url: http://arxiv.org/abs/2312.13947v1
- Date: Thu, 21 Dec 2023 15:36:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-22 14:17:28.530124
- Title: PhysRFANet: Physics-Guided Neural Network for Real-Time Prediction of
Thermal Effect During Radiofrequency Ablation Treatment
- Title（参考訳）: physrfanet:物理誘導ニューラルネットワークによる高周波アブレーション処理時の熱効果のリアルタイム予測
- Authors: Minwoo Shin, Minjee Seo, Seonaeng Cho, Juil Park, Joon Ho Kwon,
Deukhee Lee, Kyungho Yoon
- Abstract要約: 本稿では物理誘導型ニューラルネットワークモデルPhysRFANetを提案する。
術前の腫瘍像では,96%のDiceスコアと0.4854のRMSE値が得られた。
- 参考スコア（独自算出の注目度）: 0.9895793818721335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiofrequency ablation (RFA) is a widely used minimally invasive technique
for ablating solid tumors. Achieving precise personalized treatment
necessitates feedback information on in situ thermal effects induced by the RFA
procedure. While computer simulation facilitates the prediction of electrical
and thermal phenomena associated with RFA, its practical implementation in
clinical settings is hindered by high computational demands. In this paper, we
propose a physics-guided neural network model, named PhysRFANet, to enable
real-time prediction of thermal effect during RFA treatment. The networks,
designed for predicting temperature distribution and the corresponding ablation
lesion, were trained using biophysical computational models that integrated
electrostatics, bio-heat transfer, and cell necrosis, alongside magnetic
resonance (MR) images of breast cancer patients. Validation of the
computational model was performed through experiments on ex vivo bovine liver
tissue. Our model demonstrated a 96% Dice score in predicting the lesion volume
and an RMSE of 0.4854 for temperature distribution when tested with foreseen
tumor images. Notably, even with unforeseen images, it achieved a 93% Dice
score for the ablation lesion and an RMSE of 0.6783 for temperature
distribution. All networks were capable of inferring results within 10 ms. The
presented technique, applied to optimize the placement of the electrode for a
specific target region, holds significant promise in enhancing the safety and
efficacy of RFA treatments.
- Abstract（参考訳）: 高周波アブレーション(RFA, Radio frequency ablation)は, 固形腫瘍の診断法として広く用いられている。
精密なパーソナライズされた治療を実現するには、RFA法により誘導されるその場熱効果に関するフィードバック情報が必要である。
コンピュータシミュレーションは、RFAに関連する電気的および熱的現象の予測を促進するが、臨床環境における実践的な実装は、高い計算要求によって妨げられる。
本稿では,rfa処理時の熱効果のリアルタイム予測を可能にする物理誘導ニューラルネットワークモデルphysrfanetを提案する。
温度分布とそれに対応するアブレーション病変を予測するために設計されたネットワークは、乳がん患者の磁気共鳴(MR)画像とともに静電気、生体熱伝達、細胞壊死を統合する生体物理計算モデルを用いて訓練された。
計算モデルの検証は, 体外性ウシ肝組織を用いた実験により行った。
腫瘍画像検査では, 病変容積予測に96%diceスコア, 温度分布に0.4854のrmseが得られた。
特に予期せぬ画像であっても,アブレーション病変の93%diceスコア,温度分布のrmse 0.6783であった。
対象領域の電極配置を最適化するために応用された提案手法は, RFA治療の安全性と有効性を高める上で有意義な可能性を秘めている。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Fever Detection with Infrared Thermography: Enhancing Accuracy through Machine Learning Techniques [0.0]
赤外線サーモグラフィー(IRT)は体温を測定するための重要な非接触法であることが証明されている。
従来の非接触赤外線温度計(NCIT)は、読書において大きな変動を示すことが多い。
そこで我々は,温度測定の精度と信頼性を高めるために,機械学習アルゴリズムをIRTと統合した。
論文 参考訳（メタデータ） (2024-07-22T00:05:31Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Quantitative perfusion maps using a novelty spatiotemporal convolutional
neural network [13.188103532542797]
本研究では,空間的・時間的情報を考慮した拡散パラメータ推定ネットワークを提案する。
その結果,脳血流量 (CBV), 脳血流量 (CBF), 残存機能 (Tmax) などの灌流パラメータを正確に推定できることが示唆された。
提案したモデルは、商用のゴールドスタンダードソフトウェアの性能に近づき、時間効率も維持する。
論文 参考訳（メタデータ） (2023-12-08T09:22:25Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2023-08-28T15:54:14Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - Estimating Cardiac Tissue Conductivity from Electrograms with Fully
Convolutional Networks [0.0]
心房細動(Atrial Fibrillation, AAF)は、心房の電気的不整脈を特徴とする。
AFの有効治療には、心筋の有効伝導率の推定と異常増殖領域の同定が不可欠である。
論文 参考訳（メタデータ） (2022-12-06T14:37:59Z) - Localization of Cochlear Implant Electrodes from Cone Beam Computed
Tomography using Particle Belief Propagation [23.934214668896157]
人工内耳インプラント(CI)は、深い難聴に苦しむ人々の聴覚感覚を回復させることができるインプラント可能な医療機器です。
これらの電極の正確な位置は、これらのデバイスの性能を改善し予測する上で重要なパラメータとなるかもしれない。
コーンビーム計算トモグラフィー(CBCT)データセットに対するCI電極位置決めのためのマルコフランダムフィールド(MRF)モデルを提案する。
論文 参考訳（メタデータ） (2021-03-18T15:39:23Z) - Deep correction of breathing-related artifacts in real-time
MR-thermometry [0.5727060643816255]
畳み込みニューラルネットワーク(CNN)は、温暖化以前の予備学習段階で得られた画像から、見かけの温度摂動を学習するために設計された。
その後の温熱処理では、現在の温度マップのオンライン補正を生成するために、最近の等級画像が入力として使用される。
術式は,12名の無呼吸ボランティアで評価され,すべての検査例で頑健で無人工物であることが判明した。
論文 参考訳（メタデータ） (2020-11-10T10:30:41Z)
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。