論文の概要: Deep Learning-Based Auto-Segmentation of Planning Target Volume for
Total Marrow and Lymph Node Irradiation
- arxiv url: http://arxiv.org/abs/2402.06494v1
- Date: Fri, 9 Feb 2024 15:56:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 16:12:32.185593
- Title: Deep Learning-Based Auto-Segmentation of Planning Target Volume for
Total Marrow and Lymph Node Irradiation
- Title（参考訳）: 深層学習による全骨髄・リンパ節照射計画目標量の自動推定
- Authors: Ricardo Coimbra Brioso, Damiano Dei, Nicola Lambri, Daniele Loiacono,
Pietro Mancosu, Marta Scorsetti
- Abstract要約: 本稿では,TMLI 治療における計画目標ボリューム (PTV) のセグメンテーションを自動化するためのディープラーニング (DL) の適用について検討する。
我々は,2次元および3次元U-Netモデルの開発にnnU-NETフレームワークを使用し,骨を除外したPTV上でのトレーニングモデルの評価を行った。
その結果,nnU-NETフレームワークの導入により,セグメンテーション性能が統計的に向上したことがわかった。
- 参考スコア（独自算出の注目度）: 1.9806397201363817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to optimize the radiotherapy delivery for cancer treatment,
especially when dealing with complex treatments such as Total Marrow and Lymph
Node Irradiation (TMLI), the accurate contouring of the Planning Target Volume
(PTV) is crucial. Unfortunately, relying on manual contouring for such
treatments is time-consuming and prone to errors. In this paper, we investigate
the application of Deep Learning (DL) to automate the segmentation of the PTV
in TMLI treatment, building upon previous work that introduced a solution to
this problem based on a 2D U-Net model. We extend the previous research (i) by
employing the nnU-Net framework to develop both 2D and 3D U-Net models and (ii)
by evaluating the trained models on the PTV with the exclusion of bones, which
consist mainly of lymp-nodes and represent the most challenging region of the
target volume to segment. Our result show that the introduction of nnU-NET
framework led to statistically significant improvement in the segmentation
performance. In addition, the analysis on the PTV after the exclusion of bones
showed that the models are quite robust also on the most challenging areas of
the target volume. Overall, our study is a significant step forward in the
application of DL in a complex radiotherapy treatment such as TMLI, offering a
viable and scalable solution to increase the number of patients who can benefit
from this treatment.
- Abstract（参考訳）: がん治療の放射線治療を最適化するためには,特にTotal MarrowやLymph Node Irradiation(TMLI)などの複雑な治療を扱う場合には,プランニングターゲットボリューム(PTV)の正確な構成が不可欠である。
残念なことに、このような治療のために手動のコントゥーリングに頼るのは時間がかかり、エラーを起こしやすい。
本稿では,2次元u-netモデルに基づくこの問題に対する解法を導入した先行研究をもとに,tmli処理におけるptvのセグメンテーションを自動化するための深層学習(dl)の適用について検討する。
これまでの研究を
(i) nnU-Netフレームワークを用いて2次元および3次元U-Netモデルの開発と開発を行う。
(i) 主にリンプノードから構成される骨を排除し, PTVのトレーニングモデルを評価することにより, ターゲット体積からセグメントまでの最も困難な領域を表現した。
その結果,nnu-netフレームワークの導入により,セグメンテーション性能が統計的に有意に向上した。
さらに, 骨除去後のPTV解析の結果, ターゲット体積の最も困難な領域においても, モデルは非常に堅牢であることがわかった。
本研究は, TMLI などの複雑な放射線治療における DL の応用において, 本治療のメリットを享受できる患者数を増やすための, 有効かつスケーラブルなソリューションを提供する重要な一歩である。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。
スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。
現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
論文 参考訳（メタデータ） (2024-06-10T02:20:26Z) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳（メタデータ） (2023-04-05T10:40:37Z) - Accurate and Robust Lesion RECIST Diameter Prediction and Segmentation
with Transformers [22.528235432455524]
本稿では, 病変RECIST径予測とセグメント化のためのトランスフォーマーネットワークを提案する。
病変のセグメンテーション、熱マップ予測、キーポイント回帰の3つの相関的および補的タスクとして定式化されている。
MeaFormerは大規模DeepLesionデータセット上でのRDPSの最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-08-28T01:43:21Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳（メタデータ） (2022-01-04T02:35:56Z) - Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis
from Lung CT Scans with Multi-Scale Guided Dense Attention [12.50972252041458]
我々はPF-Netと呼ばれる新しい畳み込みニューラルネットワークを提案する。
PF-Netは2Dと3Dの畳み込みを組み合わせ、大きなスライス間隔でCTボリュームを扱う。
放射線誘起PFによるRhesus MacaquesのCTスキャン実験により、PF-Netは既存の2D, 3D, 2.5Dニューラルネットワークよりも高いセグメンテーション精度を示した。
論文 参考訳（メタデータ） (2021-09-29T03:35:50Z) - Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。
また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
論文 参考訳（メタデータ） (2021-01-27T08:20:49Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。