論文の概要: Triplet-constraint Transformer with Multi-scale Refinement for Dose
Prediction in Radiotherapy
- arxiv url: http://arxiv.org/abs/2402.04566v1
- Date: Wed, 7 Feb 2024 04:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 16:54:26.911365
- Title: Triplet-constraint Transformer with Multi-scale Refinement for Dose
Prediction in Radiotherapy
- Title(参考訳): 放射線治療における線量予測のためのマルチスケール微細化トリプレットコンストラントトランスフォーマ
- Authors: Lu Wen, Qihun Zhang, Zhenghao Feng, Yuanyuan Xu, Xiao Chen, Jiliu
Zhou, Yan Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.232397630125886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiotherapy is a primary treatment for cancers with the aim of applying
sufficient radiation dose to the planning target volume (PTV) while minimizing
dose hazards to the organs at risk (OARs). Convolutional neural networks (CNNs)
have automated the radiotherapy plan-making by predicting the dose maps.
However, current CNN-based methods ignore the remarkable dose difference in the
dose map, i.e., high dose value in the interior PTV while low value in the
exterior PTV, leading to a suboptimal prediction. In this paper, we propose a
triplet-constraint transformer (TCtrans) with multi-scale refinement to predict
the high-quality dose distribution. Concretely, a novel PTV-guided triplet
constraint is designed to refine dose feature representations in the interior
and exterior PTV by utilizing the explicit geometry of PTV. Furthermore, we
introduce a multi-scale refinement (MSR) module to effectively fulfill the
triplet constraint in different decoding layers with multiple scales. Besides,
a transformer encoder is devised to learn the important global dosimetric
knowledge. Experiments on a clinical cervical cancer dataset demonstrate the
superiority of our method.
- Abstract(参考訳): 放射線療法は、計画目標体積(PTV)に十分な放射線線量を適用しつつ、危険臓器(OAR)への線量障害を最小化することを目的とした、がんの主要な治療である。
畳み込みニューラルネットワーク(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。
しかしながら、現在のCNNベースの手法では、線量マップにおける顕著な線量差、すなわち、内部のPTVにおける高線量値と外部のPTVにおける低線量差を無視し、準最適予測をもたらす。
本稿では,高品質な線量分布を予測するために,マルチスケール精細化による三重項制約変換器(TCtrans)を提案する。
具体的には、新しいPTV誘導三重項制約は、PTVの明示的な形状を利用して、内部および外部のPTVにおける線量特徴表現を洗練させるように設計されている。
さらに、複数のスケールで異なる復号層における三重項制約を効果的に満たすマルチスケールリファインメント(MSR)モジュールを導入する。
また、グローバルドシメトリの重要な知識を学ぶためにトランスフォーマエンコーダが考案されている。
臨床頸部癌データセットの実験は,本手法の優位性を示した。
関連論文リスト
- 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) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction
Based on Multi-Scale Fusion of Anatomical Structures, Guided by
SwinTransformer and Projector [14.18016609082685]
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。
論文 参考訳(メタデータ) (2023-12-11T08:07:41Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - Weighted Concordance Index Loss-based Multimodal Survival Modeling for
Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy [9.988112475313065]
放射線脳症 (REP) は鼻咽頭癌(NPC)放射線治療の合併症として最も多い。
我々の知る限りでは、画像と非画像データを併用して放射線治療によるREPを予測する最初の試みである。
我々は2つの特徴抽出器を備えた深層マルチモーダルサバイバルネットワーク(MSN)を設計し、マルチモーダルデータから識別的特徴を学習する。
論文 参考訳(メタデータ) (2022-06-23T02:29:40Z) - Tensor Radiomics: Paradigm for Systematic Incorporation of
Multi-Flavoured Radiomics Features [0.3569980414613667]
放射能シグネチャの構築を最適化するために,複数のパラメータの組み合わせで計算した特徴のフレーバーを用いた放射能(TR)を提案する。
PET/CT,MRI,CTイメージング機械学習,深層学習ソリューションに適用したTRの例を示す。
以上の結果から,提案するTRパラダイムは,様々な医用画像タスクの性能向上に寄与する可能性が示唆された。
論文 参考訳(メタデータ) (2022-03-12T02:20:54Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Interactive Radiotherapy Target Delineation with 3D-Fused Context
Propagation [28.97228589610255]
畳み込みニューラルネットワーク(CNN)は、自動3D医療セグメンテーションタスクで支配されています。
編集したスライスを3Dボリューム全体に伝搬する3D融合コンテキスト伝搬を提案する。
論文 参考訳(メタデータ) (2020-12-12T17:46:20Z) - 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。