論文の概要: Dose Prediction Driven Radiotherapy Paramters Regression via Intra- and
Inter-Relation Modeling
- arxiv url: http://arxiv.org/abs/2402.18879v1
- Date: Thu, 29 Feb 2024 05:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 15:52:10.794729
- Title: Dose Prediction Driven Radiotherapy Paramters Regression via Intra- and
Inter-Relation Modeling
- Title(参考訳): 線量予測による放射線治療パラメータの回帰
- Authors: Jiaqi Cui, Yuanyuan Xu, Jianghong Xiao, Yuchen Fei, Jiliu Zhou,
Xingcheng Peng, Yan Wang
- Abstract要約: 線量マップ予測段階と放射線治療パラメータ回帰段階を含む放射線治療パラメータを直接回帰する新しい2段階フレームワークを提案する。
ステージ1では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)を組み合わせて、豊かなグローバルおよびローカル情報で現実的な線量マップを予測する。
ステージ2では、イントラ・リレーショナル・モデリング(Intra-RM)モジュールとインター・リレーショナル・モデリング(Inter-RM)モジュール(Inter-RM)モジュールの2つの精巧なモジュールが、正確なパラメータ回帰のために臓器特異的および臓器共有の特徴を利用するように設計されている。
- 参考スコア(独自算出の注目度): 8.31243292970232
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep learning has facilitated the automation of radiotherapy by predicting
accurate dose distribution maps. However, existing methods fail to derive the
desirable radiotherapy parameters that can be directly input into the treatment
planning system (TPS), impeding the full automation of radiotherapy. To enable
more thorough automatic radiotherapy, in this paper, we propose a novel
two-stage framework to directly regress the radiotherapy parameters, including
a dose map prediction stage and a radiotherapy parameters regression stage. In
stage one, we combine transformer and convolutional neural network (CNN) to
predict realistic dose maps with rich global and local information, providing
accurate dosimetric knowledge for the subsequent parameters regression. In
stage two, two elaborate modules, i.e., an intra-relation modeling (Intra-RM)
module and an inter-relation modeling (Inter-RM) module, are designed to
exploit the organ-specific and organ-shared features for precise parameters
regression. Experimental results on a rectal cancer dataset demonstrate the
effectiveness of our method.
- Abstract(参考訳): 深層学習は正確な線量分布の予測によって放射線治療の自動化を促進する。
しかし、既存の方法は、治療計画システム(tps)に直接入力できる望ましい放射線治療パラメータを導出できず、放射線治療の完全な自動化を妨げる。
本稿では,線量マップ予測段階と放射線治療パラメータ回帰段階を含む放射線治療パラメータを直接回帰する新たな2段階フレームワークを提案する。
ステージ1では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)を組み合わせて、リアルな線量マップをリッチなグローバルおよびローカルな情報で予測し、その後のパラメータ回帰の正確なドシメトリック知識を提供する。
ステージ2では、2つの精巧なモジュール、すなわちintra-rm(intra-rm)モジュールとinter-rm(inter-relation modeling)モジュールが、正確なパラメータ回帰のために臓器特異的および臓器共有の特徴を利用するように設計されている。
直腸癌データセットの実験結果から,本手法の有効性が示された。
関連論文リスト
- Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。
ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文 参考訳(メタデータ) (2024-05-28T17:25:43Z) - 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) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2023-08-29T17:44:28Z) - Polymerized Feature-based Domain Adaptation for Cervical Cancer Dose Map
Prediction [11.171148748269927]
本稿では,別の癌,すなわち直腸癌から学んだ豊富な知識を移植し,頸部癌に対する線量マップ予測性能を向上させることを提案する。
ソース(直腸癌)とターゲット(頸部癌)との先天性領域ギャップを埋めるため,トランスフォーマーを用いた効果的な機能モジュール(PFM)を開発した。
2つの社内臨床データセットによる実験結果から,提案手法が最先端の手法に比べて優れていることが示された。
論文 参考訳(メタデータ) (2023-08-20T03:00:27Z) - DiffDP: Radiotherapy Dose Prediction via a Diffusion Model [13.44191425264393]
がん患者の放射線線量分布を予測するための拡散型線量予測(DiffDP)モデルを提案する。
前処理では、DiffDPは小さなノイズを加えることで線量マップをガウスノイズに徐々に変換し、ノイズ予測器を訓練し、各時間ステップに付加されるノイズを予測する。
逆処理では、よく訓練されたノイズ予測器を用いて、元のガウス雑音から複数のステップでノイズを除去し、最終的に予測された線量分布マップを出力する。
論文 参考訳(メタデータ) (2023-07-19T07:25:33Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳(メタデータ) (2023-04-11T02:45:38Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Multi-Modality Information Fusion for Radiomics-based Neural
Architecture Search [10.994223928445589]
既存の放射能法では、手作りの放射能の特徴とその抽出と選択が必要である。
畳み込みニューラルネットワーク(CNN)に基づく最近の放射線学手法も、ネットワークアーキテクチャ設計において手動入力を必要とする。
放射能に最適なマルチモーダル画像特徴を自動的に導出するマルチモーダルニューラルネットワーク探索法(MM-NAS)を提案する。
論文 参考訳(メタデータ) (2020-07-12T14:35:13Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z)
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。