实时呼吸运动预测与循环神经网络的在线学习,用于在外部引导放射治疗中准确的准
Michel Pohl1, Mitsuru Uesaka2, Hiroyuki Takahashi1
1The University of Tokyo, 113-8654 Tokyo, Japan.
Computer methods and programs in biomedicine
|June 11, 2025
概括
资源效率高的算法准确地预测呼吸运动,以提高肺辐射疗法的精度. 无偏的在线反复优化 (UORO),稀疏的一步近似 (SnAp-1) 和解的神经接口 (DNI) 显示出有希望的结果.
科学领域:
- 医学物理 医学物理
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 红外摄像头追踪胸部标记物,以估计放射治疗期间的肺瘤运动.
- 辐射输送系统中的系统延迟会降低治疗精度.
- 循环神经网络 (RNN) 可以学习呼吸模式,但传统的在线学习 (RTRL) 是复杂的.
研究的目的:
- 评估RNN的资源效率高的在线算法:UORO,Snap-1和DNI.
- 为了评估它们在预测放射治疗的呼吸运动中的准确性.
- 将它们的性能与RTRL和其他回归方法进行比较.
主要方法:
- 利用了来自健康受试者的9个3D胸部标记器时间系列.
- 实施了Snap-1和DNI的高效版本,用于RNN培训.
- 将数据重新采样为3.33 Hz和30 Hz,并预测标记位置,预测地平线高达2.1s.
主要成果:
- 在线训练的RNN实现了高精度,超过了以前的方法.
- SnAp-1在3.33 Hz (0.335) 和10 Hz (0.157) 时显示了最低的nRMSE.
- UORO在30 Hz (0.086) 实现了最低的nRMSE,而DNI提供了最快的推断时间 (6.8 ms).
结论:
- UORO,Snap-1和DNI可以准确地预测呼吸系统的运动,只需使用最少的数据.
- 这些算法可以提高肺放射治疗的安全性和精度.
- 有效的在线学习方法为放射治疗中的系统延迟提供了可行的解决方案.
更多相关视频
08:54Treatment of Liver Metastases Using an Internal Target Volume Method for Stereotactic Body Radiotherapy
Published on: May 8, 2018
14.2K
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.5K
