論文の概要: DoseGNN: Improving the Performance of Deep Learning Models in Adaptive
Dose-Volume Histogram Prediction through Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2402.01076v1
- Date: Fri, 2 Feb 2024 00:28:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 17:14:38.992970
- Title: DoseGNN: Improving the Performance of Deep Learning Models in Adaptive
Dose-Volume Histogram Prediction through Graph Neural Networks
- Title(参考訳): DoseGNN:グラフニューラルネットワークによる適応的線量ヒストグラム予測におけるディープラーニングモデルの性能向上
- Authors: Zehao Dong, Yixin Chen, Tianyu Zhao
- Abstract要約: AAPM (AAPM 65th Annual Meeting $&$ Exhibition) に発表された最近の研究成果を拡張した。
本研究の目的は,高性能CBCTシステムを備えた一般放射線治療プラットフォーム上でのDVH予測のための効率的なディープラーニングモデルを設計することである。
DVH予測タスクで広く採用されている深層学習モデルを,新しい放射線治療プラットフォーム上で評価する。
- 参考スコア(独自算出の注目度): 15.101256852252936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dose-Volume Histogram (DVH) prediction is fundamental in radiation therapy
that facilitate treatment planning, dose evaluation, plan comparison and etc.
It helps to increase the ability to deliver precise and effective radiation
treatments while managing potential toxicities to healthy tissues as needed to
reduce the risk of complications. This paper extends recently disclosed
research findings presented on AAPM (AAPM 65th Annual Meeting $\&$ Exhibition)
and includes necessary technique details. The objective is to design efficient
deep learning models for DVH prediction on general radiotherapy platform
equipped with high performance CBCT system, where input CT images and target
dose images to predict may have different origins, spacing and sizes. Deep
learning models widely-adopted in DVH prediction task are evaluated on the
novel radiotherapy platform, and graph neural networks (GNNs) are shown to be
the ideal architecture to construct a plug-and-play framework to improve
predictive performance of base deep learning models in the adaptive setting.
- Abstract(参考訳): DVH(Dose-Volume Histogram)予測は、治療計画、線量評価、計画比較などを容易にする放射線治療において基礎となる。
合併症のリスクを減らすために必要な健康な組織に対する潜在的な毒性を管理しながら、正確で効果的な放射線治療を提供する能力を高めるのに役立つ。
本稿では,AAPM (AAPM 65th Annual Meeting $\&$ Exhibition) で発表された研究成果を拡張し,必要な技術の詳細を紹介する。
本研究の目的は、ct画像と目標線量画像の入力が起源、間隔、サイズが異なる可能性のある、高性能なcbctシステムを備えた一般放射線治療プラットフォーム上でのdvh予測のための効率的なディープラーニングモデルを設計することである。
DVH予測タスクで広く採用されているディープラーニングモデルを,新しい放射線治療プラットフォーム上で評価し,グラフニューラルネットワーク(GNN)が適応環境におけるベースディープラーニングモデルの予測性能を向上させるためのプラグアンドプレイフレームワークを構築する上で理想的なアーキテクチャであることを示した。
関連論文リスト
- Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。
提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
論文 参考訳(メタデータ) (2024-07-25T04:09:17Z) - Large-Language-Model Empowered Dose Volume Histogram Prediction for
Intensity Modulated Radiotherapy [11.055104826451126]
本研究では,非構造化画像から画像パッチノードと線量ノードからなる構造化グラフに変換するパイプラインを提案する。
構造グラフからDVH(Dose-Volume histograms)を予測するために,新しいDose Graph Neural Network(DoseGNN)モデルを開発した。
本研究では,IMRT(強度変調放射線療法)計画の自動化を目的とした概念の実践的実装として,オンライン人間とAIのコラボレーションシステムを導入した。
論文 参考訳(メタデータ) (2024-02-11T11:24:09Z) - 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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - Unsupervised Pre-Training on Patient Population Graphs for Patient-Level
Predictions [48.02011627390706]
プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。
本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。
提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
論文 参考訳(メタデータ) (2022-03-23T17:59:45Z) - COVID-19 Electrocardiograms Classification using CNN Models [1.1172382217477126]
深層学習アルゴリズムの統合による心電図(ECG)データの利用により、COVID-19を自動的に診断するための新しいアプローチが提案されている。
CNNモデルは、VGG16、VGG19、InceptionResnetv2、InceptionV3、Resnet50、Densenet201を含む提案されたフレームワークで利用されている。
この結果,VGG16モデルと比較すると,他のモデルに比べて比較的精度が低いことがわかった。
論文 参考訳(メタデータ) (2021-12-15T08:06:45Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳(メタデータ) (2021-11-01T15:31:32Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳(メタデータ) (2021-05-28T21:34:04Z) - Deep Learning with Heterogeneous Graph Embeddings for Mortality
Prediction from Electronic Health Records [2.2859570135269625]
我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。
CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
論文 参考訳(メタデータ) (2020-12-28T02:27:09Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z)
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。