文献

J-GLOBAL ID：202202234142802515   整理番号：22A0570390

画像誘導放射線治療のための深い教師なし学習モデルを用いた人間レベル比較可能制御ボリュームマッピング【JST・京大機械翻訳】

Human-level comparable control volume mapping with a deep unsupervised-learning model for image-guided radiation therapy

著者 (11件)： Liang Xiaokun (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Bassenne Maxime (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Hristov Dimitre H. (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Islam Md Tauhidul (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Zhao Wei (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Jia Mengyu (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Zhang Zhicheng (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Gensheimer Michael (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Beadle Beth (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Le Quynh (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA) ,  Xing Lei (Department of Radiation Oncology, Stanford University, Stanford, CA, 94305, USA)
資料名： Computers in Biology and Medicine  (Computers in Biology and Medicine)
巻： 141  ページ： Null  発行年： 2022年 
JST資料番号： E0858A  ISSN： 0010-4825  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 正確な患者位置決めのためのコンピュータトモグラフィ(pCT)を計画するために,患者位置決め日常CT(dCT)から制御ボリューム(CV)マッピングによる深い教師なし学習法を開発する。dCTからpCTまでCVをマッピングし,翻訳と回転次元を含む共uchシフトを自動的に生成する教師なし学習フレームワークを提案した。ネットワーク入力はpCTにおけるdCT,pCTおよびCV位置である。出力は頭頚部癌(HNC)患者をセットアップするために使用されるdCTの変換パラメータである。ネットワークを訓練して,pCTにおけるCVとdCTにおけるCVの間の画像類似性を最大化した。158人のHNC患者からの合計554のCTスキャンを,提案モデルの評価のために使用した。時間の異なる時点で,各患者は多くのCTスキャンを有した。CVsから並進と回転を平均化することによって,試験に対してCouchシフトを計算した。シフトの地面は,経験した放射線腫瘍医により決定される骨ランドマークから来る。並進と回転のシステム位置決め誤差は,それぞれ0.47mmと0.17°未満である。並進と回転のランダム位置決め誤差は,それぞれ1.13mmと0.29°未満である。提案方法は,標準登録と比較して,66.67%から90.91%までプレセット耐性(2.0mm/1.0°)以内に登録されたケースの割合を強化した。著者らは,CVsマッピングの包含による患者位置決めのための深い教師なし学習アーキテクチャを提案し,それは,記録に及ぼす画像アーチファクトの潜在的悪影響を緩和するために,CV領域を異なって重み付けした。著者らの実験結果は,提案方法が効率的で有効なHNC患者位置決めを達成することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  *教師なし学習 ,  位置決め ,  体積 ,  レジストレーション【画像】 ,  並進 ,  計算機アーキテクチャ ,  頭頚部腫瘍 ,  計算機トモグラフィー ,  アーチファクト
準シソーラス用語： ランドマーク ,  頭頸部 ,  患者位置決め , 【Automatic Indexing@JST】

著者キーワード (5件)： 教師なし学習 ,  画像レジストレーション ,  頭頚部 ,  画像誘導放射線治療 ,  患者位置決め

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 画像誘導放射線治療 ,  教師なし学習 ,  モデル ,  人間 ,  ボリューム ,  マッピング