Single patient convolutional neural networks for real-time MR reconstruction: a proof of concept application in lung tumor segmentation for adaptive radiotherapy
Notice bibliographique
Résumé
Investigate 3D (spatial and temporal) convolutional neural networks (CNNs) for real-time on-the-fly magnetic resonance imaging (MRI) reconstruction. In particular, we investigated the applicability of training CNNs on a patient-by-patient basis for the purpose of lung tumor segmentation. Data were acquired with our 3 T Philips Achieva system. A retrospective analysis was performed on six non-small cell lung cancer patients who received fully sampled dynamic acquisitions consisting of 650 free breathing images using a bSSFP sequence. We retrospectively undersampled the six patient's data by 5× and 10× acceleration. The retrospective data was used to quantitatively compare the CNN reconstruction to gold truth data via the Dice coefficient (DC) and centroid displacement to compare the tumor segmentations. Reconstruction noise was investigated using the normalized mean square error (NMSE). We further validated the technique using prospectively undersampled data from a volunteer and motion phantom. The retrospectively undersampled data at 5× and 10× acceleration was reconstructed using patient specific trained CNNs. The patient average DCs for the tumor segmentation at 5× and 10× acceleration were 0.94 and 0.92, respectively. These DC values are greater than the inter- and intra-observer segmentations acquired by radiation oncologist experts as reported in a previous study of ours. Furthermore, the patient specific CNN can be trained in under 6 h and the reconstruction time was 65 ms per image. The prospectively undersampled CNN reconstruction data yielded qualitatively acceptable images. We have shown that 3D CNNs can be used for real-time on-the-fly dynamic image reconstruction utilizing both spatial and temporal data in this proof of concept study. We evaluated the technique using six retrospectively undersampled lung cancer patient data sets, as well as prospectively undersampled data acquired from a volunteer and motion phantom. The reconstruction speed achieved for our current implementation was 65 ms per image.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».