論文の概要: Respiratory motion forecasting with online learning of recurrent neural networks for safety enhancement in externally guided radiotherapy

• arxiv url: http://arxiv.org/abs/2403.01607v1
• Date: Sun, 3 Mar 2024 20:16:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 20:35:48.043218
• Title: Respiratory motion forecasting with online learning of recurrent neural networks for safety enhancement in externally guided radiotherapy
• Title（参考訳）: 再発神経回路のオンライン学習による呼吸運動予測による放射線治療の安全性向上
• Authors: Michel Pohl, Mitsuru Uesaka, Hiroyuki Takahashi, Kazuyuki Demachi, and Ritu Bhusal Chhatkuli
• Abstract要約: リアルタイム反復学習(Real-time Recurrent Learning, RTRL)は、非定常呼吸データ内のパターンを学習できるが、複雑さが高いため、潜在的な解決法である。 本研究は,放射線治療中の呼吸運動を正確に予測する資源効率の高いオンラインRNNアルゴリズムの能力を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In lung radiotherapy, infrared cameras can record the location of reflective objects on the chest to infer the position of the tumor moving due to breathing, but treatment system latencies hinder radiation beam precision. Real-time recurrent learning (RTRL), is a potential solution as it can learn patterns within non-stationary respiratory data but has high complexity. This study assesses the capabilities of resource-efficient online RNN algorithms, namely unbiased online recurrent optimization (UORO), sparse-1 step approximation (SnAp-1), and decoupled neural interfaces (DNI) to forecast respiratory motion during radiotherapy treatment accurately. We use time series containing the 3D position of external markers on the chest of healthy subjects. We propose efficient implementations for SnAp-1 and DNI based on compression of the influence and immediate Jacobian matrices and an accurate update of the linear coefficients used in credit assignment estimation, respectively. The original sampling frequency was 10Hz; we performed resampling at 3.33Hz and 30Hz. We use UORO, SnAp-1, and DNI to forecast each marker's 3D position with horizons (the time interval in advance for which the prediction is made) h<=2.1s and compare them with RTRL, least mean squares, and linear regression. RNNs trained online achieved similar or better accuracy than most previous works using larger training databases and deep learning, even though we used only the first minute of each sequence to predict motion within that exact sequence. SnAp-1 had the lowest normalized root mean square errors (nRMSE) averaged over the horizon values considered, equal to 0.335 and 0.157, at 3.33Hz and 10.0Hz, respectively. Similarly, UORO had the highest accuracy at 30Hz, with an nRMSE of 0.0897. DNI's inference time, equal to 6.8ms per time step at 30Hz (Intel Core i7-13700 CPU), was the lowest among the RNN methods examined.
• Abstract（参考訳）: 肺放射線療法では、赤外線カメラは胸部の反射物体の位置を記録し、呼吸による腫瘍の移動位置を推定するが、治療システムは放射線ビームの精度を低下させる。 リアルタイムリカレント学習(rtrl)は、非定常呼吸データ内のパターンを学習できるが、複雑性が高いため、潜在的な解決策である。 本研究は, 資源効率の高いオンラインRNNアルゴリズム, 未バイアスオンラインリカレント最適化 (UORO), スパース-1ステップ近似 (SnAp-1), 脱カップリング神経インタフェース (DNI) の有効性を評価し, 放射線治療中の呼吸運動を正確に予測する。 健常者の胸部における外部マーカーの3次元位置を含む時系列を用いた。 SnAp-1 と DNI の効率的な実装は,影響行列と即時ジャコビアン行列の圧縮と,クレジット割当推定に使用される線形係数の正確な更新に基づいて提案する。 サンプリング周波数は10Hzで,3.33Hz,30Hzで再サンプリングを行った。 uoro, snap-1, dniを用いて各マーカーの3次元位置を水平線(予測を行う前の時間間隔)h<=2.1sと予測し,rtrl,最小平均2乗,線形回帰と比較した。 rnnsのオンライントレーニングは、より大規模なトレーニングデータベースとディープラーニングを使用して、これまでのほとんどの作業と同じような、あるいは優れた精度を達成しました。 SnAp-1 は、それぞれ0.335 と0.157 であり、それぞれ 3.33Hz と 10.0Hz の水平値に対して最小の正規化根平均二乗誤差 (nRMSE) を有していた。 同様に、UOROの最高精度は30Hzで、nRMSEは0.0897である。 dniの推論時間は、30hz(intel core i7-13700 cpu)の時間ステップあたり6.8ミリ秒と同等であり、rnn法の中で最も低かった。

関連論文リスト

• Future frame prediction in chest cine MR imaging using the PCA respiratory motion model and dynamically trained recurrent neural networks [0.0]
  肺放射線治療システムは、推定腫瘍位置の不確実性や健康な組織の高照射を引き起こす遅延を受ける。 この研究は、オンライン学習アルゴリズムで訓練されたRNNを用いて、胸部ダイナミックMRIシーケンスの将来のフレーム予測に対処し、その遅延を補償する。
  論文  参考訳（メタデータ） (2024-10-08T10:21:43Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG Respiratory Rate Estimation [0.6464087844700315]
  RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。 標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。 本研究では,RRWaveNetを連続的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-18T07:11:34Z)
• Prediction of the motion of chest internal points using a recurrent neural network trained with real-time recurrent learning for latency compensation in lung cancer radiotherapy [0.0]
  追跡点と初期腫瘍像から3次元の腫瘍像を復元・予測する手法を提案する。 テストセット上のRNN予測に対応するルート平均二乗誤差、最大誤差、ジッタは、線形予測と最小平均二乗(LMS)で得られたものと同じ性能測定値よりも小さい。 予測画像の腫瘍位置は視力的に正しかったが, 原画像と予測画像の相互相関は0.955と高い値であった。
  論文  参考訳（メタデータ） (2022-07-13T04:08:21Z)
• Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network [1.7403133838762446]
  心房細動(AFib)の発症率は世界中で増加傾向にある。 AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。 Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
  論文  参考訳（メタデータ） (2022-01-26T21:45:48Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォーム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） (2021-07-16T12:56:09Z)
• Prediction of the Position of External Markers Using a Recurrent Neural Network Trained With Unbiased Online Recurrent Optimization for Safe Lung Cancer Radiotherapy [0.0]
  肺癌放射線療法では、胸部における赤外線反射物体の位置を記録し、腫瘍の位置を推定することができる。 この現象を考慮に入れないことは、健康な組織に不必要に損傷を与え、放射線肺炎などの副作用を引き起こす可能性がある。 健常人の胸部および腹部に3つの外部マーカーの3次元位置を73sから222s間隔で観察した。 我々は、リカレントニューラルネットワーク(RNN)を用いて、0.1秒から2.0秒の間、各マーカーの位置と地平線値(事前に予測する時間間隔)を同時に予測する。
  論文  参考訳（メタデータ） (2021-06-02T12:07:31Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)

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。