An artificial neural network (ANN)-based lung-tumor motion predictor for intrafractional MR tumor tracking
Notice bibliographique
Résumé
PURPOSE: To address practical issues of implementing artificial neural networks (ANN) for lung-tumor motion prediction in MRI-based intrafractional lung-tumor tracking. METHODS: A feedforward four-layered ANN structure is used to predict future tumor positions. A back-propagation algorithm is used for ANN learning. Adaptive learning is incorporated by continuously updating weights and learning rate during prediction. An ANN training scheme specific for MRI-based tracking is developed. A multiple-ANN structure is developed to reduce tracking failures caused by the lower imaging rates of MRI. We used particle swarm optimization to optimize the ANN structure and initial weights (IW) for each patient and treatment fraction. Prediction accuracy is evaluated using the 1D superior-inferior lung-tumor motions of 29 lung cancer patients for system delays of 120-520 ms, in increments of 80 ms. The result is compared with four different scenarios: (1), (2) ANN structure optimization + with∕without IW optimization, and (3), (4) no ANN structure optimization + with∕without IW optimization, respectively. An additional simulation is performed to assess the value of optimizing the ANN structure for each treatment fraction. RESULTS: For 120-520 ms system delays, mean RMSE values (ranges 0.0-2.8 mm from 29 patients) of 0.5-0.9 mm are observed, respectively. Using patient specific ANN structures, a 30%-60% decrease in mean RMSE values is observed as a result of IW optimization, alone. No significant advantages in prediction performance are observed, however, by optimizing for each fraction. CONCLUSIONS: A new ANN-based lung-tumor motion predictor is developed for MRI-based intrafractional tumor tracking. The prediction accuracy of our predictor is evaluated using a realistic simulated MR imaging rate and system delays. For 120-520 ms system delays, mean RMSE values of 0.5-0.9 mm (ranges 0.0-2.8 mm from 29 patients) are achieved. Further, the advantage of patient specific ANN structure and IW in lung-tumor motion prediction is demonstrated by a 30%-60% decrease in mean RMSE values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».