論文の概要: Large-Language-Model Empowered Dose Volume Histogram Prediction for Intensity Modulated Radiotherapy

• arxiv url: http://arxiv.org/abs/2402.07167v1
• Date: Sun, 11 Feb 2024 11:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 17:05:59.924709
• Title: Large-Language-Model Empowered Dose Volume Histogram Prediction for Intensity Modulated Radiotherapy
• Title（参考訳）: 大言語モデルによる強度変調放射線治療のための線量量ヒストグラム予測
• Authors: Zehao Dong, Yixin Chen, Hiram Gay, Yao Hao, Geoffrey D. Hugo, Pamela Samson, Tianyu Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.055104826451126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Treatment planning is currently a patient specific, time-consuming, and resource demanding task in radiotherapy. Dose-volume histogram (DVH) prediction plays a critical role in automating this process. The geometric relationship between DVHs in radiotherapy plans and organs-at-risk (OAR) and planning target volume (PTV) has been well established. This study explores the potential of deep learning models for predicting DVHs using images and subsequent human intervention facilitated by a large-language model (LLM) to enhance the planning quality. We propose a pipeline to convert unstructured images to a structured graph consisting of image-patch nodes and dose nodes. A novel Dose Graph Neural Network (DoseGNN) model is developed for predicting DVHs from the structured graph. The proposed DoseGNN is enhanced with the LLM to encode massive knowledge from prescriptions and interactive instructions from clinicians. In this study, we introduced an online human-AI collaboration (OHAC) system as a practical implementation of the concept proposed for the automation of intensity-modulated radiotherapy (IMRT) planning. In comparison to the widely-employed DL models used in radiotherapy, DoseGNN achieved mean square errors that were 80$\%$, 76$\%$ and 41.0$\%$ of those predicted by Swin U-Net Transformer, 3D U-Net CNN and vanilla MLP, respectively. Moreover, the LLM-empowered DoseGNN model facilitates seamless adjustment to treatment plans through interaction with clinicians using natural language.
• Abstract（参考訳）: 治療計画は現在、放射線治療において患者固有の、時間を要する、資源を必要とするタスクである。 ドーズボリュームヒストグラム(DVH)予測はこのプロセスを自動化する上で重要な役割を果たす。 放射線治療計画におけるDVHsとOAR(Organs-at-risk)と計画目標体積(PTV)との幾何学的関係はよく確立されている。 本研究では,画像を用いたdvhs予測のための深層学習モデルの可能性と,それに続く大規模言語モデル(llm)による人的介入による計画品質の向上について検討する。 本研究では,非構造化画像を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を予測する新しいDose Graph Neural Network (DoseGNN) モデルを開発した。 提案された用量gnnはllmにより強化され、処方薬からの膨大な知識と臨床医からの対話的な指示をエンコードする。 本研究では,強度変調放射線治療(IMRT)計画の自動化を目的とした概念の実践的実装として,オンラインヒューマンAIコラボレーション(OHAC)システムを導入した。 放射線治療で広く使われるDLモデルと比較して、DoseGNNは平均2乗誤差が80$\%$,76$\%$,41.0$\%$で、それぞれSwin U-Net Transformer、3D U-Net CNN、バニラMLPによって予測された。 さらに, LLM を利用した DoseGNN モデルは, 自然言語を用いた臨床医との対話を通じて治療計画のシームレスな調整を容易にする。

関連論文リスト

• ARANet: Attention-based Residual Adversarial Network with Deep Supervision for Radiotherapy Dose Prediction of Cervical Cancer [5.737832138199829]
  本稿では,子宮頸癌における3次元線量分布の自動予測を行うために,ARANetという深層監視機能を備えた終端注意型残差適応ネットワークを提案する。 提案法は,54例の子宮頸癌患者を含む社内データセットで検証し,他の最先端の方法と比較して明らかな優位性を示した。
  論文  参考訳（メタデータ） (2024-08-26T02:26:09Z)
• DoseGNN: Improving the Performance of Deep Learning Models in Adaptive Dose-Volume Histogram Prediction through Graph Neural Networks [15.101256852252936]
  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。
  論文  参考訳（メタデータ） (2024-02-02T00:28:19Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• 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)
• Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
  ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。 本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
  論文  参考訳（メタデータ） (2023-06-09T03:02:36Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• 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)
• Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans [3.4742750855568767]
  本研究では、社内の自動計画システム(ECHO')によって生成される一貫した計画を用いて、DLモデルをトレーニングする。 ECHOは、大規模な制約付き最適化問題を逐次解決することで、一貫した/偏りのない計画を生成する。 予測の質は、最近AAPMの知識に基づく計画大挑戦によって導入された線量スコアとDVHスコアと同様に、異なるDVHメトリクスを用いて比較された。
  論文  参考訳（メタデータ） (2021-06-07T15:15:05Z)
• 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)
• 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)
• Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules [15.069141581681016]
  フォローアップは肺癌の肺結節管理において重要な役割を担っている。 結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。 我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:18:46Z)

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。