論文の概要: Deep Learning-Based Automatic Delineation of Liver Domes in kV Triggered Images for Online Breath-hold Reproducibility Verification of Liver Stereotactic Body Radiation Therapy
- arxiv url: http://arxiv.org/abs/2411.15322v1
- Date: Fri, 22 Nov 2024 19:30:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:19:15.269183
- Title: Deep Learning-Based Automatic Delineation of Liver Domes in kV Triggered Images for Online Breath-hold Reproducibility Verification of Liver Stereotactic Body Radiation Therapy
- Title(参考訳): kVトリガー画像を用いた深層学習による肝体放射線治療のオンラインブレスホールド再現性検証
- Authors: Sugandima Weragoda, Ping Xia, Kevin Stephans, Neil Woody, Michael Martens, Robert Brown, Bingqi Guo,
- Abstract要約: 定位体放射線療法(SBRT)は、肝癌および肝転移に対する、正確かつ最小限の侵襲的治療方法である。
現在の方法では、kVトリガー画像から肝ドームの位置を手動で検証する必要があることが多い。
そこで本研究では,kV平面画像から肝ドームを自動的に切り離す深層学習パイプラインの実証実験を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Stereotactic Body Radiation Therapy (SBRT) can be a precise, minimally invasive treatment method for liver cancer and liver metastases. However, the effectiveness of SBRT relies on the accurate delivery of the dose to the tumor while sparing healthy tissue. Challenges persist in ensuring breath-hold reproducibility, with current methods often requiring manual verification of liver dome positions from kV-triggered images. To address this, we propose a proof-of-principle study of a deep learning-based pipeline to automatically delineate the liver dome from kV-planar images. From 24 patients who received SBRT for liver cancer or metastasis inside liver, 711 KV-triggered images acquired for online breath-hold verification were included in the current study. We developed a pipeline comprising a trained U-Net for automatic liver dome region segmentation from the triggered images followed by extraction of the liver dome via thresholding, edge detection, and morphological operations. The performance and generalizability of the pipeline was evaluated using 2-fold cross validation. The training of the U-Net model for liver region segmentation took under 30 minutes and the automatic delineation of a liver dome for any triggered image took less than one second. The RMSE and rate of detection for Fold1 with 366 images was (6.4 +/- 1.6) mm and 91.7%, respectively. For Fold2 with 345 images, the RMSE and rate of detection was (7.7 +/- 2.3) mm and 76.3% respectively.
- Abstract(参考訳): 定位体放射線療法(SBRT)は、肝癌および肝転移に対する、正確かつ最小限の侵襲的治療方法である。
しかし、SBRTの有効性は、正常な組織を分散させながら腫瘍への正確な投与に依存している。
現在の方法では、kVトリガー画像から肝ドームの位置を手動で検証する必要があることが多い。
そこで本研究では,kV平面画像から肝ドームを自動的に切り離す深層学習に基づくパイプラインの実証・実証研究を提案する。
肝癌や肝転移に対してSBRTを施行した24例のうち, オンライン呼吸保持検査で得られた711KVトリガー画像が本研究に含まれる。
本研究は, 自動肝ドーム領域分割のための訓練されたU-Netからなるパイプラインを開発し, しきい値抽出, エッジ検出, 形態学的操作による肝ドーム抽出を行った。
パイプラインの性能と一般化性を2倍のクロスバリデーションを用いて評価した。
U-Netモデルによる肝領域分割の訓練は30分以下で, トリガ画像に対する肝ドームの自動デライン化は1秒未満で完了した。
366枚の画像を持つFold1のRMSEと検出率は、それぞれ (6.4 +/-1.6) mm と 91.7% であった。
345枚の画像を持つFold2では、RMSEと検出速度はそれぞれ7.7mm/-2.3mm、76.3%であった。
関連論文リスト
- Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - A Cascaded Approach for ultraly High Performance Lesion Detection and
False Positive Removal in Liver CT Scans [15.352636778576171]
肝臓がんは世界中で高い死亡率と死亡率を持っている。
CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。
本研究では,多相CT画像のためのマルチオブジェクトラベリングツールをカスタマイズする。
論文 参考訳(メタデータ) (2023-06-28T09:11:34Z) - CoRe: An Automated Pipeline for The Prediction of Liver Resection
Complexity from Preoperative CT Scans [53.561797148529664]
肝切除を複雑にするために重要な位置にある腫瘍が知られている。
CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
論文 参考訳(メタデータ) (2022-10-15T15:29:24Z) - Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。
多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。
腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-28T19:02:39Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - 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) - Edge-competing Pathological Liver Vessel Segmentation with Limited
Labels [61.38846803229023]
病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。
本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。
本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
論文 参考訳(メタデータ) (2021-08-01T07:28:32Z) - Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文 参考訳(メタデータ) (2021-02-24T04:09:39Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳(メタデータ) (2020-10-07T06:22:24Z) - Automatic segmentation and determining radiodensity of the liver in a
large-scale CT database [0.0]
この技術は、様々な患者位置で得られたCT画像を幅広い露光パラメーターで処理するために使用することができる。
実際の大規模医療データベースでは、100万以上の研究で低用量CTスキャンを処理できる。
論文 参考訳(メタデータ) (2019-12-31T12:41:05Z)
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。