論文の概要: Automated Dose-Based Anatomic Region Classification of Radiotherapy Treatment for Big Data Applications

• arxiv url: http://arxiv.org/abs/2602.23536v1
• Date: Thu, 26 Feb 2026 22:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.156312
• Title: Automated Dose-Based Anatomic Region Classification of Radiotherapy Treatment for Big Data Applications
• Title（参考訳）: ビッグデータ応用のための放射線治療の線量に基づく解剖学的領域の自動分類
• Authors: Justin Hink, Yasin Abdulkadir, Jack Neylon, James Lamb,
• Abstract要約: ソフトウェアはDICOMファイルを大まかに処理し、118の構造を6つの領域に分割するためにディープラーニングを利用する。 このアルゴリズムは109の専門的ラベル付きケースを用いて洗練され、100の連続的な臨床計画で検証された。 100プランのテストデータセットでは、アルゴリズムが実行精度91%(すべての専門家ラベルと順序をマッチング)、Top-2(順序に関係なく上位2つの専門家リージョンをマッチング)、および95%Top-1(主要専門家ラベルをマッチング)を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curation is a significant barrier to using 'big data' radiotherapy planning databases of 100,000+ patients. Anatomic site stratification is essential for downstream analyses, but current methods rely on inconsistent plan labels or target nomenclature, which is unreliable for multi-institutional data. We developed software to automate labeling by inferring anatomic regions directly from dose-volume overlap with deep-learning segmentations, eliminating metadata reliance. The software processes DICOM files in bulk, utilizing deep learning to segment 118 structures (organs, glands, and bones) categorized into six regions: Cranial, Head and Neck, Pelvis, Abdomen, Thorax, Extremity. The 85% and 50% isodose lines are converted to structures to compute organ-specific dose-overlap metrics. Plans are assigned ranked regional labels based on these intersections. The algorithm was refined using 109 expert-labeled cases and validated on 100 consecutive clinical plans. On the 100-plan test dataset, the algorithm achieved 91% Exact Accuracy (matching all expert labels and order), 94% Top-2 Accuracy (matching the top two expert regions regardless of order), and 95% Top-1 Accuracy (matching the primary expert label). The automated workflow demonstrated high accuracy and robustness. The 95% Top-1 Accuracy is particularly significant, as it enables reliable querying of plans based on the primary treatment site. Detailed analysis of the few mismatched cases showed most were treated areas at the border between anatomic regions and were ambiguous between these two regions in a common-sense interpretation. This algorithm provides a scalable, standardized solution for curating the large, multi-institutional datasets required for 'big data' in radiotherapy and provides an important complement to text-based approaches.
• Abstract（参考訳）: キュレーションは10万人以上の患者の"ビッグデータ"放射線治療計画データベースを使用する上で重要な障壁である。 下流解析には解剖学的部位の成層化が不可欠であるが、現在の手法は、多施設データには信頼性の低い、一貫性のない計画ラベルや目標命名法に依存している。 深層学習のセグメンテーションと重なる線量から解剖学的領域を直接推定し,メタデータ依存を排除し,ラベル付けを自動化するソフトウェアを開発した。 ソフトウェアはDICOMファイルを大まかに処理し、ディープラーニングを利用して118の構造(組織、腺、骨)を分類し、頭蓋骨、頭頸部骨、骨盤骨、胸郭骨、極端骨の6つの領域に分類した。 85%と50%のアイソドス線は、臓器特異的な線量オーバーラップ測定値を計算する構造に変換される。 これらの交差点に基づいて、計画がランク付けされた地域ラベルが割り当てられている。 このアルゴリズムは109の専門的ラベル付きケースを用いて洗練され、100の連続的な臨床計画で検証された。 100プランのテストデータセットでは、アルゴリズムが実行精度91%(すべての専門家ラベルと順序をマッチングする)、Top-2(順序に関係なく上位2つの専門家リージョンをマッチングする)、および95%Top-1(主要専門家ラベルをマッチングする)を達成した。 自動化されたワークフローは、高い精度と堅牢性を示しました。 95%のTop-1精度が特に重要であり、プライマリ・トリート・サイトに基づくプランの信頼性の高いクエリを可能にしている。 解剖学的領域と解剖学的領域の境界の領域がほとんどで, 両領域間には曖昧な関係がみられた。 このアルゴリズムは、放射線療法における「ビッグデータ」に必要な大規模で多施設のデータセットを計算するためのスケーラブルで標準化されたソリューションを提供し、テキストベースのアプローチの重要な補完を提供する。

関連論文リスト

• Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations [3.1898695141875772]
  このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。 提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。 従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
  論文  参考訳（メタデータ） (2025-11-01T09:53:28Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Self-Supervised Radiograph Anatomical Region Classification -- How Clean Is Your Real-World Data? [10.5757425746568]
  本研究は,48,434個の骨格X線撮影データから,14個の解剖学的領域のクラスを割り当てる自己教師手法の有効性を示した。 我々は,1つのモデルで96.6%,97.7%の線形評価精度をアンサンブルアプローチで達成した。
  論文  参考訳（メタデータ） (2024-12-20T15:07:55Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Deeply supervised UNet for semantic segmentation to assist dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
  unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。 unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。 最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
  論文  参考訳（メタデータ） (2021-03-05T15:39:55Z)
• Nested-block self-attention for robust radiotherapy planning segmentation [3.2541650155921142]
  深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。 定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。 我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
  論文  参考訳（メタデータ） (2021-02-26T15:28:47Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。