論文の概要: Deep Learning for Longitudinal Gross Tumor Volume Segmentation in MRI-Guided Adaptive Radiotherapy for Head and Neck Cancer

• arxiv url: http://arxiv.org/abs/2412.00663v1
• Date: Sun, 01 Dec 2024 03:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:48:03.538766
• Title: Deep Learning for Longitudinal Gross Tumor Volume Segmentation in MRI-Guided Adaptive Radiotherapy for Head and Neck Cancer
• Title（参考訳）: MRIガイド下頭頸部癌適応放射線治療における縦隔グロース腫瘍体積分画の深層学習
• Authors: Xin Tie, Weijie Chen, Zachary Huemann, Brayden Schott, Nuohao Liu, Tyler J. Bradshaw,
• Abstract要約: 頭頸部癌に対するMRI誘導適応放射線療法(MRgART)には,GTVの正確なセグメンテーションが不可欠である。 本研究では,放射線前療法 (pre-RT) と中放射線中療法 (mid-RT) の併用が課題である。 我々はMRgARTにおけるGTVセグメンテーションを促進するためのDLモデルのコレクションを提示し,放射線オンコロジーの合理化の可能性を示した。
• 参考スコア（独自算出の注目度）: 4.358109501717511
• License:
• Abstract: Accurate segmentation of gross tumor volume (GTV) is essential for effective MRI-guided adaptive radiotherapy (MRgART) in head and neck cancer. However, manual segmentation of the GTV over the course of therapy is time-consuming and prone to interobserver variability. Deep learning (DL) has the potential to overcome these challenges by automatically delineating GTVs. In this study, our team, $\textit{UW LAIR}$, tackled the challenges of both pre-radiotherapy (pre-RT) (Task 1) and mid-radiotherapy (mid-RT) (Task 2) tumor volume segmentation. To this end, we developed a series of DL models for longitudinal GTV segmentation. The backbone of our models for both tasks was SegResNet with deep supervision. For Task 1, we trained the model using a combined dataset of pre-RT and mid-RT MRI data, which resulted in the improved aggregated Dice similarity coefficient (DSCagg) on an internal testing set compared to models trained solely on pre-RT MRI data. In Task 2, we introduced mask-aware attention modules, enabling pre-RT GTV masks to influence intermediate features learned from mid-RT data. This attention-based approach yielded slight improvements over the baseline method, which concatenated mid-RT MRI with pre-RT GTV masks as input. In the final testing phase, the ensemble of 10 pre-RT segmentation models achieved an average DSCagg of 0.794, with 0.745 for primary GTV (GTVp) and 0.844 for metastatic lymph nodes (GTVn) in Task 1. For Task 2, the ensemble of 10 mid-RT segmentation models attained an average DSCagg of 0.733, with 0.607 for GTVp and 0.859 for GTVn, leading us to $\textbf{achieve 1st place}$. In summary, we presented a collection of DL models that could facilitate GTV segmentation in MRgART, offering the potential to streamline radiation oncology workflows. Our code and model weights are available at https://github.com/xtie97/HNTS-MRG24-UWLAIR.
• Abstract（参考訳）: 頭頸部癌に対するMRI誘導適応放射線療法(MRgART)には,GTVの正確なセグメンテーションが不可欠である。 しかし,GTVの手動セグメンテーションは時間を要するため,サーバ間変動が生じる傾向にある。 ディープラーニング(DL)は、自動的にGTVをデライン化することで、これらの課題を克服する可能性がある。 本研究は,放射線前療法(pre-RT)の課題に対処するために,我々のチームである$\textit{UW LAIR}$を用いて行った。 1)中間放射線療法(中RT) (Task) 2)腫瘍容積セグメンテーション。 そこで我々は,縦型GTVセグメンテーションのための一連のDLモデルを開発した。 両方のタスクのためのモデルのバックボーンは、深い監視を備えたSegResNetでした。 タスク1では、プレRTとミッドRTのMRIデータを組み合わせたデータセットを用いてモデルをトレーニングし、この結果、事前RTのMRIデータのみに基づいてトレーニングされたモデルと比較して、内部テストセット上で強化されたDice類似度係数(DSCagg)が得られた。 タスク2では、マスク対応アテンションモジュールを導入し、プリRTのGTVマスクがミッドRTデータから学習した中間機能に影響を与えることを可能にした。 この注意に基づくアプローチは、ベースライン法よりも若干改善され、この手法は、RT中期MRIと、RT前GTVマスクを入力として結合した。 最終テスト段階では,10個のプレRTセグメンテーションモデルのアンサンブルが平均DSCagg0.794,プライマリGTV(GTVp)0.745,タスク1における転移性リンパ節(GTVn)0.844を達成した。 Task 2では10の中間RTセグメンテーションモデルのアンサンブルが平均DSCaggが0.733、GTVpが0.607、GTVnが0.859に達し、その結果$\textbf{achieve 1st place}$となった。 要約すると、MRgARTにおけるGTVセグメンテーションを促進するためのDLモデルのコレクションを提示し、放射線オンコロジーのワークフローを効率化する可能性を示した。 コードとモデルの重み付けはhttps://github.com/xtie97/HNTS-MRG24-UWLAIR.comから入手可能です。

関連論文リスト

• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-guided Radiotherapy [2.13048414569993]
  我々はHNTS-MRG24 MICCAI ChallengeにチームTUMORとしてソリューションを提示する。 前RTおよび中RTMRI画像における原発性GTVpと転移性リンパ節GTVnの自動分画に焦点を当てた。 第1タスクの解は最終テスト段階では第1位、第2タスクの解は第8位、第2タスクの解は第1位、第2タスクの解は第8位、スコアは0.7005であった。
  論文  参考訳（メタデータ） (2024-11-22T06:16:56Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Gradient Map-Assisted Head and Neck Tumor Segmentation: A Pre-RT to Mid-RT Approach in MRI-Guided Radiotherapy [0.04590531202809992]
  本研究は,頭頸部癌に対する pre-RT 腫瘍領域と局所勾配図を用いて,中RT 腫瘍セグメンテーションを増強することを目的としたものである。 プリRT画像からの腫瘍領域の勾配マップを算出し、ミッドRT画像に適用し、腫瘍境界勾配を改善する。
  論文  参考訳（メタデータ） (2024-10-16T18:26:51Z)
• UMambaAdj: Advancing GTV Segmentation for Head and Neck Cancer in MRI-Guided RT with UMamba and nnU-Net ResEnc Planner [0.04924932828166548]
  頭頸部癌(HNC)に対する適応放射線療法においてMRIが重要な役割を担っている。 原発性腫瘍 (GTVp) とリンパ節 (GTVn) の両方を含む総腫瘍容積 (GTV) を正確に区分することは依然として困難である。 最近の2つのディープラーニングセグメンテーションの革新は、効果的に長距離依存関係をキャプチャするUMambaと、多段階残差ブロックによる特徴抽出を強化するnnU-Net Residual (ResEnc)の2つの大きな約束を示している。
  論文  参考訳（メタデータ） (2024-10-16T18:26:27Z)
• Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer [1.9997842016096374]
  我々は最先端のアルゴリズムを実装し、新しい2段階のインタラクティブ・クリック・リファインメント・フレームワークを提案する。 2S-ICRフレームワークは、ユーザインタラクションのないDiceの類似係数0.713$pm$0.152と、5つのインタラクション後の0.824$pm$0.099を達成し、どちらの場合も既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-09-10T15:58:21Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• SegRap2023: A Benchmark of Organs-at-Risk and Gross Tumor Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma [45.15178196643517]
  放射線治療にはGross tumor Volumes (GTVs) とOrgans-At-Risk (OARs) が重要である。 SegRap2023チャレンジはMICCAI2023と共同で編成され、OARとGTVセグメンテーションのための大規模なベンチマークが提示された。 課題を詳述し、すべての参加者のソリューションを分析します。
  論文  参考訳（メタデータ） (2023-12-15T07:08:38Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。