論文の概要: Multi-Task Learning for Integrated Automated Contouring and Voxel-Based Dose Prediction in Radiotherapy
- arxiv url: http://arxiv.org/abs/2411.18767v1
- Date: Wed, 27 Nov 2024 21:45:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:21:23.640207
- Title: Multi-Task Learning for Integrated Automated Contouring and Voxel-Based Dose Prediction in Radiotherapy
- Title(参考訳): 放射線治療における統合的コントゥーリングとボクセルによる線量予測のためのマルチタスク学習
- Authors: Sangwook Kim, Aly Khalifa, Thomas G. Purdie, Chris McIntosh,
- Abstract要約: 従来の放射線治療計画プロセスでは、個別のタスクとして自動コントゥーリングと治療計画がある。
本研究では,マルチタスク学習(MTL)アプローチを適用し,自動コントゥーリングとボクセルベースの線量予測タスクをシームレスに統合する。
自動コントゥーリングおよび線量予測タスクのためのMTLモデルは、コントゥーリング精度を維持しつつ、時には改善した線量予測性能を示した。
- 参考スコア(独自算出の注目度): 14.461358266632814
- License:
- Abstract: Deep learning-based automated contouring and treatment planning has been proven to improve the efficiency and accuracy of radiotherapy. However, conventional radiotherapy treatment planning process has the automated contouring and treatment planning as separate tasks. Moreover in deep learning (DL), the contouring and dose prediction tasks for automated treatment planning are done independently. In this study, we applied the multi-task learning (MTL) approach in order to seamlessly integrate automated contouring and voxel-based dose prediction tasks, as MTL can leverage common information between the two tasks and be able able to increase the efficiency of the automated tasks. We developed our MTL framework using the two datasets: in-house prostate cancer dataset and the publicly available head and neck cancer dataset, OpenKBP. Compared to the sequential DL contouring and treatment planning tasks, our proposed method using MTL improved the mean absolute difference of dose volume histogram metrics of prostate and head and neck sites by 19.82% and 16.33%, respectively. Our MTL model for automated contouring and dose prediction tasks demonstrated enhanced dose prediction performance while maintaining or sometimes even improving the contouring accuracy. Compared to the baseline automated contouring model with the dice score coefficients of 0.818 for prostate and 0.674 for head and neck datasets, our MTL approach achieved average scores of 0.824 and 0.716 for these datasets, respectively. Our study highlights the potential of the proposed automated contouring and planning using MTL to support the development of efficient and accurate automated treatment planning for radiotherapy.
- Abstract(参考訳): 深層学習に基づく自動コントゥーリングと治療計画は、放射線治療の効率と精度を向上させることが証明されている。
しかし、従来の放射線治療治療計画プロセスでは、個別のタスクとして自動コントゥーリングと治療計画が実施されている。
さらに、ディープラーニング(DL)では、自動治療計画のためのコンツーリングおよび線量予測タスクを独立して行う。
本研究では,マルチタスク学習(MTL)手法を用いて,自動コントゥーリングとボクセルベースの線量予測タスクをシームレスに統合する。
前立腺癌データセットと頭頸部癌データセットOpenKBPの2つのデータセットを用いてMTLフレームワークを開発した。
前立腺と頭頸部の線量ヒストグラムの絶対値差をそれぞれ19.82%と16.33%改善した。
自動コントゥーリングおよび線量予測タスクのためのMTLモデルは、コントゥーリング精度を維持しつつ、時には改善した線量予測性能を示した。
前立腺に0.818点,頭頸部に0.674点,頭頸部に0.824点,頭頸部に0.716点,前立腺に0.716点,前立腺に0.818点,前立腺に0.674点,前立腺に0.716点,前立腺に0.824点,前立腺に0。
本研究は, 放射線治療のための効率的かつ正確な自動治療計画の開発を支援するため, MTLを用いた自動検査・計画の可能性を明らかにするものである。
関連論文リスト
- A Self-supervised Multimodal Deep Learning Approach to Differentiate Post-radiotherapy Progression from Pseudoprogression in Glioblastoma [5.98776969609135]
グリオ芽腫(GBM)に対する放射線治療後のPsPとTrue Progression(TP)の正確な鑑別は最適な治療計画に不可欠である。
本研究では, 日常的な解剖学的MRI画像, 臨床パラメータ, RT治療計画情報からの補完情報を利用して, 予測精度を向上させるマルチモーダル深層学習手法を提案する。
論文 参考訳(メタデータ) (2025-02-06T11:57:57Z) - Automating High Quality RT Planning at Scale [4.660056689223253]
高品質な処理計画を生成するスケーラブルなソリューションであるAIRTP(Automated Iterative RT Planning)システムを紹介した。
当社のAIRTPパイプラインは,OAR(Organ-at-risk Contouring),ヘルパー構造生成,ビーム設定,最適化,計画品質改善など,臨床ガイドラインに準拠し,重要なステップを自動化します。
計画品質の比較分析により、自動パイプラインが手作業で生成されたものと同等の品質の処理計画を生成することが明らかになった。
論文 参考訳(メタデータ) (2025-01-21T00:44:18Z) - Optimizing Pretraining Data Mixtures with LLM-Estimated Utility [52.08428597962423]
大規模な言語モデルは、高品質なトレーニングデータの増加によって改善される。
トークンカウントは手動と学習の混合よりも優れており、データセットのサイズと多様性に対する単純なアプローチが驚くほど効果的であることを示している。
UtiliMaxは,手動ベースラインよりも最大10.6倍のスピードアップを達成することで,トークンベースの200ドルを拡大する。また,LLMを活用して小さなサンプルからデータユーティリティを推定するモデル推定データユーティリティ(MEDU)は,計算要求を$simxで削減し,アブレーションベースのパフォーマンスに適合する。
論文 参考訳(メタデータ) (2025-01-20T21:10:22Z) - Dose Prediction Driven Radiotherapy Paramters Regression via Intra- and
Inter-Relation Modeling [8.31243292970232]
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。
論文 参考訳(メタデータ) (2024-02-29T05:57:35Z) - EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought [95.37585041654535]
Embodied AIは、ロボットが物理的な環境で長時間のタスクを遂行するためのアクションシーケンスを計画し、実行することができる。
本稿では,EmbodiedGPTを紹介する。EmbodiedGPTは,エンボディドAIのためのエンドツーエンドのマルチモーダル基盤モデルである。
実験は、実施計画、実施制御、視覚的キャプション、視覚的質問応答など、実施されたタスクに対するEmbodiedGPTの有効性を示す。
論文 参考訳(メタデータ) (2023-05-24T11:04:30Z) - 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) - 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) - A feasibility study of a hyperparameter tuning approach to automated
inverse planning in radiotherapy [68.8204255655161]
本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。
本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。
100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
論文 参考訳(メタデータ) (2021-05-14T18:37:00Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z)
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。