論文の概要: Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study

• arxiv url: http://arxiv.org/abs/2503.05367v1
• Date: Fri, 07 Mar 2025 12:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:20:24.220640
• Title: Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study
• Title（参考訳）: 標的核種における線量予測のための半教師付き学習:合成データによる研究
• Authors: Jing Zhang, Alexandre Bousse, Laetitia Imbert, Song Xue, Kuangyu Shi, Julien Bert,
• Abstract要約: TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。 深層学習はRTをパーソナライズすることを約束する。 現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
• 参考スコア（独自算出の注目度）: 44.18078370879369
• License:
• Abstract: Targeted Radionuclide Therapy (TRT) is a modern strategy in radiation oncology that aims to administer a potent radiation dose specifically to cancer cells using cancer-targeting radiopharmaceuticals. Accurate radiation dose estimation tailored to individual patients is crucial. Deep learning, particularly with pre-therapy imaging, holds promise for personalizing TRT doses. However, current methods require large time series of SPECT imaging, which is hardly achievable in routine clinical practice, and thus raises issues of data availability. Our objective is to develop a semi-supervised learning (SSL) solution to personalize dosimetry using pre-therapy images. The aim is to develop an approach that achieves accurate results when PET/CT images are available, but are associated with only a few post-therapy dosimetry data provided by SPECT images. In this work, we introduce an SSL method using a pseudo-label generation approach for regression tasks inspired by the FixMatch framework. The feasibility of the proposed solution was preliminarily evaluated through an in-silico study using synthetic data and Monte Carlo simulation. Experimental results for organ dose prediction yielded promising outcomes, showing that the use of pseudo-labeled data provides better accuracy compared to using only labeled data.
• Abstract（参考訳）: TRT(Targeted Radionuclide Therapy)は、がん標的の放射性医薬品を用いて、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。 個々の患者に合わせた正確な放射線線量推定が重要である。 深層学習、特にプレセラピーイメージングでは、RT投与のパーソナライズを約束している。 しかし、現在の方法では、日常的な臨床実践では達成し難い大量のSPECTイメージングを必要とするため、データ可用性の問題を提起する。 本研究の目的は,プレセラピー画像を用いてドシメトリをパーソナライズするための半教師付き学習(SSL)ソリューションを開発することである。 本研究の目的は,PET/CT画像が利用可能である場合に正確な結果が得られるアプローチを開発することである。 本研究では,FixMatchフレームワークにインスパイアされた回帰タスクに対して,擬似ラベル生成手法を用いたSSL方式を提案する。 提案法の有効性は, 合成データとモンテカルロシミュレーションを用いて, サイリコで予備評価した。 臓器用量予測実験により有望な結果が得られ, 擬似ラベル付きデータの使用はラベル付きデータのみの使用よりも精度がよいことを示した。

関連論文リスト

• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Graph-based multimodal multi-lesion DLBCL treatment response prediction from PET images [0.0]
  診断後, 標準フロントライン治療における非対応患者数(30～40%)は依然として顕著である。 本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。 複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T08:16:45Z)
• Weighted Concordance Index Loss-based Multimodal Survival Modeling for Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy [9.988112475313065]
  放射線脳症 (REP) は鼻咽頭癌(NPC)放射線治療の合併症として最も多い。 我々の知る限りでは、画像と非画像データを併用して放射線治療によるREPを予測する最初の試みである。 我々は2つの特徴抽出器を備えた深層マルチモーダルサバイバルネットワーク(MSN)を設計し、マルチモーダルデータから識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-06-23T02:29:40Z)
• RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
  非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。 実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-26T16:32:52Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data [0.10651507097431492]
  我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。 画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。 勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
  論文  参考訳（メタデータ） (2021-01-28T11:20:34Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。