技術ノート：放射線治療のための患者用セットアップ装置の自動検出・識別のためのディープラーニングアプローチ

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Med Phys.2020 Jun;doi: 10.1002/mp.14338.Epub 2020-06-20.

技術ノート：放射線治療のための患者用セットアップ装置の自動検出・識別のためのディープラーニングアプローチ

Technical Note: Deep Learning approach for automatic detection and identification of patient positioning devices for radiation therapy.

David H Thomas
Leah K Schubert
Yevgeniy Vinogradskiy
Sameer Nath
Brian Kavanagh
Moyed Miften
Bernard Jones

PMID: 32562501 DOI: 10.1002/mp.14338.

抄録

目的:

深層畳み込みニューラルネットワーク（CNN）を用いたリアルタイムマルチクラスオブジェクト検出のための深層畳み込みニューラルネットワーク（CNN）を用いたセットアップ機器の自動検出と識別は、文書化エラーを回避することで、治療デリバリープロセスにおけるエラーを削減する可能性を秘めています。

PURPOSE: Automatic detection and identification of setup devices, using a deep convolutional neural network (CNN) for real time multi-class object detection, has the potential to reduce errors in the treatment delivery process by avoiding documentation errors.

方法:

METHODS: A database of the setup device photos from the most recent 1200 patients treated at our institution was downloaded from the record and verify system (R&V) along with the corresponding set-up notes. Images were manually labelled with bounding boxes of each device. A real time object detection CNN using the 'you only look once' (YOLOv2) architecture was trained using transfer learning of a pre-trained CNN (ResNet50). The CNN was trained to detect and identify 11 of the most common treatment accessories used at our institution.

結果:

マルチクラス物体検出のためのCNNの伝達学習を用いて、96%の精度で写真中のセットアップ装置を自動検出・識別することが可能であることを示した。

RESULTS: Using transfer learning of a CNN for multi-class object detection, we are able to automatically detect and identify set-up devices in photographs with an accuracy of 96%.

結論:

放射線腫瘍学における自動化は、リスクを低減する可能性を秘めている。セットアップ機器の自動検出はCNNと伝達学習を用いて可能である。本研究では、実践的な知識普及におけるインシデント学習システム（ILS）の価値を示すとともに、臨床プロセスの自動化とマニュアル文書への依存度の低下が、放射線腫瘍治療におけるリスク低減の可能性を示している。

CONCLUSIONS: Automation in radiation oncology has the potential to reduce risk. Automatic detection of setup devices is possible using a CNN and transfer learning. This work shows both the value of incident learning systems (ILS) in practice knowledge dissemination, and shows how automation of clinical processes and less reliance on manual documentation has the potential for risk reduction in radiation oncology treatments.