Respiratory lung motion using an artificial neural network

Laurent, R.; Henriet, Julien; Salomon, Michel; Sauget, Marc; Gschwind, R.; Makovicka, Libor

doi:10.1007/s00521-011-0727-y

Cited by 9 publications

(17 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Le réseau de neurones artificiels que nous allons considérer est une version optimisée de notre plate-forme de simulation du mouvement pulmonaire personnalisé (Laurent et al, 2011(Laurent et al, , 2012 nommée NEMOSIS (NEural NEtwork MOtion SImulation System). L'optimisation a consisté à simplifier les pré-requis pour l'utilisation de la méthode (5 entrées au lieu de 8).…”

Section: Matériels Et Méthodesunclassified

“…Le nombre d'entrées étant modifié, la nouvelle topologie a été évaluée en nous basant sur les processus d'optimisation décrits dans notre étude antérieure (Laurent et al, 2012). Les résultats ont montré que le nombre maximal de neurones à considérer est de 5.…”

Section: Matériels Et Méthodesunclassified

“…Pour cette application clinique, en plus des 5 patients constituant le jeu de données, 3 patients disposant de TDM 4D focalisé sur la tumeur ont été sélectionnés selon les critères décrits dans nos travaux (Laurent et al, 2012). Pour chaque patient, 10 phases respiratoires sont disponibles.…”

Section: Jeu De Donnéesunclassified

“…Aussi, comme le montre le tableau III, 5 à 6 points ont été définis par patient de test. Ceux-ci ont été marqués conformément au protocole décrit dans (Laurent et al, 2011(Laurent et al, , 2012 et ont été choisis dans des régions présentant le moins de flous et d'artefacts cinétiques, afin de réduire les erreurs lors du tracé du médecin.…”

Section: Jeu De Donnéesunclassified

See 3 more Smart Citations

Perspective de la plate-forme NEMOSIS dans le cadre d’une réduction de doses en imagerie

et al. 2012

Self Cite

View full text Add to dashboard Cite

Perspective of the NEMOSIS platform in the context of dose reduction in imaging.Motion acquisition is frequently performed to improve the treatment ballistics of external radiation therapy. Nevertheless, this acquisition is an additional source of radiation exposure for the patient. The development of the numerical simulation platform NEMOSIS (NEural NEtwork MOtion SImulation System) offers new perspectives for the dose optimization in imaging. It allows one to generate a localized and customized lung motion using a 3D model of the patient. For 3 patients, 5 to 6 anatomic points were simulated and compared with the points plotted by the radiation therapist. In the worst case, the results show an average accuracy of 3 mm for all the points of a patient, at every phase, with an expanded uncertainty of plotting equal to 1.5 mm (confidence interval of 95%) and a maximum uncertainty of 6.53 mm over one phase. Another study comparing the GTV (Gross Tumor Volume) of a radiation therapist and that computed by NEMOSIS was also carried out. A Dice index stating a minimum correspondence of 0.80 was computed between these two types of volumes. These results make NEMOSIS a very promising tool as an alternative solution to irradiation imaging.

show abstract

Section: Matériels Et Méthodesunclassified

Section: Jeu De Donnéesunclassified

See 2 more Smart Citations

Perspective de la plate-forme NEMOSIS dans le cadre d’une réduction de doses en imagerie

et al. 2012

Self Cite

View full text Add to dashboard Cite

show abstract

“…La dose moyenne externe cumulée chez les travailleurs exposés (57 % de la cohorte) est de 21,7 milliSieverts (mSv). Un fort Healthy Worker Effect est observé dans la cohorte (Metz-Flamant et al, 2009a, 2011a. Des excès significatifs de cancers de la plèvre et du mélanome ont été observés mais sans relation avec la dose.…”

Section: Thèses Remarquéesunclassified

Thèses remarquées

2011

Radioprotection

View full text Add to dashboard Cite

Technical Note: Deriving ventilation imaging from 4DCT by deep convolutional neural network

et al. 2019

View full text Add to dashboard Cite

Purpose Ventilation images can be derived from four‐dimensional computed tomography (4DCT) by analyzing the change in HU values and deformable vector fields between different respiration phases of computed tomography (CT). As deformable image registration (DIR) is involved, accuracy of 4DCT‐derived ventilation image is sensitive to the choice of DIR algorithms. To overcome the uncertainty associated with DIR, we develop a method based on deep convolutional neural network (CNN) to derive ventilation images directly from the 4DCT without explicit image registration. Methods A total of 82 sets of 4DCT and ventilation images from patients with lung cancer were used in this study. In the proposed CNN architecture, the CT two‐channel input data consist of CT at the end of exhale and the end of inhale phases. The first convolutional layer has 32 different kernels of size 5 × 5 × 5, followed by another eight convolutional layers each of which is equipped with an activation layer (ReLU). The loss function is the mean‐squared‐error (MSE) to measure the intensity difference between the predicted and reference ventilation images. Results The predicted images were comparable to the label images of the test data. The similarity index, correlation coefficient, and Gamma index passing rate averaged over the tenfold cross validation were 0.880 ± 0.035, 0.874 ± 0.024, and 0.806 ± 0.014, respectively. Conclusions The results demonstrate that deep CNN can generate ventilation imaging from 4DCT without explicit deformable image registration, reducing the associated uncertainty.

show abstract

Respiratory lung motion using an artificial neural network

Cited by 9 publications

References 13 publications

Perspective de la plate-forme NEMOSIS dans le cadre d’une réduction de doses en imagerie

Perspective de la plate-forme NEMOSIS dans le cadre d’une réduction de doses en imagerie

Thèses remarquées

Technical Note: Deriving ventilation imaging from 4DCT by deep convolutional neural network

Contact Info

Product

Resources

About