論文の概要: ARANet: Attention-based Residual Adversarial Network with Deep Supervision for Radiotherapy Dose Prediction of Cervical Cancer
- arxiv url: http://arxiv.org/abs/2408.13981v1
- Date: Mon, 26 Aug 2024 02:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 15:12:30.841500
- Title: ARANet: Attention-based Residual Adversarial Network with Deep Supervision for Radiotherapy Dose Prediction of Cervical Cancer
- Title（参考訳）: ARANet: 頚部癌に対する放射線治療線量予測のための深層情報を用いた注意型残差対位ネットワーク
- Authors: Lu Wen, Wenxia Yin, Zhenghao Feng, Xi Wu, Deng Xiong, Yan Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.737832138199829
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Radiation therapy is the mainstay treatment for cervical cancer, and its ultimate goal is to ensure the planning target volume (PTV) reaches the prescribed dose while reducing dose deposition of organs-at-risk (OARs) as much as possible. To achieve these clinical requirements, the medical physicist needs to manually tweak the radiotherapy plan repeatedly in a trial-anderror manner until finding the optimal one in the clinic. However, such trial-and-error processes are quite time-consuming, and the quality of plans highly depends on the experience of the medical physicist. In this paper, we propose an end-to-end Attentionbased Residual Adversarial Network with deep supervision, namely ARANet, to automatically predict the 3D dose distribution of cervical cancer. Specifically, given the computer tomography (CT) images and their corresponding segmentation masks of PTV and OARs, ARANet employs a prediction network to generate the dose maps. We also utilize a multi-scale residual attention module and deep supervision mechanism to enforce the prediction network to extract more valuable dose features while suppressing irrelevant information. Our proposed method is validated on an in-house dataset including 54 cervical cancer patients, and experimental results have demonstrated its obvious superiority compared to other state-of-the-art methods.
- Abstract（参考訳）: 放射線治療は頚癌に対する主要な治療であり、その最終的な目標は、臓器・リスク(OAR)の線量沈着を極力低減しつつ、計画目標容積(PTV)が所定の量に達することを確実にすることである。
これらの臨床要件を達成するために、医療物理学者は、クリニックで最適なものを見つけるまで、放射線治療計画を何度も試行錯誤的に手動で調整する必要がある。
しかし、このような試行錯誤プロセスは非常に時間がかかり、計画の質は医学物理学者の経験に大きく依存する。
本稿では,頸部がんの3次元線量分布を自動的に予測するために,ARANetという深層監視機能を備えたエンド・ツー・エンドアテンションベースのResidual Adversarial Networkを提案する。
具体的には、コンピュータトモグラフィ(CT)画像とそれに対応するPTVとOARのセグメンテーションマスクを考えると、ARANetは線量マップを生成するために予測ネットワークを使用している。
また,マルチスケールの残留注意モジュールと深層監視機構を用いて予測ネットワークを強制し,無関係な情報を抑えつつ,より有用な線量特徴を抽出する。
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。
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) - Large-Language-Model Empowered Dose Volume Histogram Prediction for
Intensity Modulated Radiotherapy [11.055104826451126]
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。
論文 参考訳（メタデータ） (2024-02-11T11:24:09Z) - Triplet-constraint Transformer with Multi-scale Refinement for Dose
Prediction in Radiotherapy [10.232397630125886]
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。
論文 参考訳（メタデータ） (2024-02-07T04:05:29Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳（メタデータ） (2023-11-30T15:11:03Z) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳（メタデータ） (2022-09-17T23:06:22Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - 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。