Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Novel Computer-Aided Surgical Simulation (CASS) System to Streamline Orthognathic Surgical Planning Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Temporal Prediction of Respiratory Motion Using a Trained Ensemble of Forecasting Methods

verfasst von : Xiaoran Chen, Christine Tanner, Orçun Göksel, Gábor Székely, Valeria De Luca

Erschienen in: Medical Imaging and Augmented Reality

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Respiratory motion is a limiting factor during cancer therapy. Although image tracking can facilitate compensation for this motion, system latencies will still reduce the accuracy of tracking-based treatments. We propose a novel approach for temporal prediction of the motion of anatomical targets in the liver, observed from ultrasound sequences. The method is based on an ensemble of six prediction models, including neural networks, which are trained on motion traces and images. Using leave-one-subject-out validation on 24 liver ultrasound 2D sequences from the Challenge on Liver Ultrasound Tracking, the best performance was achieved by the linear regression-based ensemble of all methods with an accuracy of 1.49 (2.39) mm for a latency of 300 (600) ms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel 3D Fully Convolutional Networks for Intervertebral Disc Localization and Segmentation
Nächstes Kapitel Automatic Fast-Registration Surgical Navigation System Using Depth Camera and Integral Videography 3D Image Overlay
Literatur
1.
Cleveland, W.S., Devlin, S.J.: Locally weighted regression: an approach to regression analysis by local fitting. J. Am. Stat. Assoc. 83(403), 596 (1988)CrossRefMATH
2.
De Luca, V., Benz, T., Kondo, S., König, L., Lübke, D., Rothlübbers, S., Somphone, O., Allaire, S., Bell, M.L., Chung, D., et al.: The 2014 liver ultrasound tracking benchmark. PMB 60(14), 5571 (2015)
3.
De Luca, V., Tschannen, M., Székely, G., Tanner, C.: A learning-based approach for fast and robust vessel tracking in long ultrasound sequences. In: Mori, K., Sakuma, I., Sato, Y., Barillot, C., Navab, N. (eds.) MICCAI 2013, Part I. LNCS, vol. 8149, pp. 518–525. Springer, Heidelberg (2013)CrossRef
4.
He, K., Zhang, X., Ren, S., Sun, J.: Delving deep into rectifiers: surpassing human-level performance on ImageNet classification. In: IEEE ICCV, p. 1026 (2015)
5.
Isakkson, M., Jaiden, J., Murphy, M.: On using an adaptive neural network to predict lung tumor motion during respiration for radiotherapy applications. Med. Phys. 32(12), 3801 (2005)CrossRef
6.
Kakar, M., Nyström, H., Aarup, L.R., Nøttrup, T.J., Olsen, D.R.: Respiratory motion prediction by using the adaptive neuro fuzzy inference system (ANFIS). PMB 50(19), 4721 (2005)
7.
Keall, P.J., Mageras, G.S., Balter, J.M., Emery, R.S., Forster, K.M., Jiang, S.B., Kapatoes, J.M., Low, D.A., Murphy, M.J., Murray, B.R., et al.: The management of respiratory motion in radiation oncology report of AAPM Task Group 76. Med. Phys. 33(10), 3874 (2006)CrossRef
8.
Krauss, A., Nill, S., Oelfke, U.: The comparative performance of four respiratory motion predictors for real-time tumour tracking. PMB 56(16), 5303 (2011)
9.
Lee, S.J., Motai, Y.: Review: prediction of respiratory motion. Prediction and Classification of Respiratory Motion, pp. 7–37. Springer, Heidelberg (2014)CrossRef
10.
Makhinya, M., Goksel, O.: Motion tracking in 2D ultrasound using vessel models and robust optic-flow. In: Proceedings of MICCAI CLUST, p. 20 (2015)
11.
O’Shea, T., Bamber, J., Fontanarosa, D., van der Meer, S., Verhaegen, F., Harris, E.: Review of ultrasound image guidance in external beam radiotherapy part II: intra-fraction motion management and novel applications. PMB 61(8), R90 (2016)
12.
Poulsen, P.R., Cho, B., Sawant, A., Ruan, D., Keall, P.J.: Detailed analysis of latencies in image-based dynamic MLC tracking. Med. Phys. 37(9), 4998 (2010)CrossRef
13.
Putra, D., Haas, O.C., Mills, J.A., Burnham, K.J.: A multiple model approach to respiratory motion prediction for real-time IGRT. PMB 53, 1651 (2008)
14.
Ruan, D.: Kernel density estimation-based real-time prediction for respiratory motion. PMB 55(5), 1311 (2010)
15.
Sharp, G.C., Jiang, S.B., Shimizu, S., Shirato, H.: Prediction of respiratory tumour motion for real-time image-guided radiotherapy. PMB 49(3), 425 (2004)
16.
Tanner, C., Eppenhof, K., Gelderblom, J., Szekely, G.: Decision fusion for temporal prediction of respiratory liver motion. In: IEEE ISBI, p. 698. IEEE (2014)
17.
Teo, P., Bruce, N., Pistorius, S.: Application and parametric studies of a sliding window neural network for respiratory motion predictions of lung cancer patients. In: Jaffray, D.A. (ed.) World Congress on Medical Physics and Biomedical Engineering. IFMBE Proceedings, vol. 51, pp. 595–598. Springer, Switzerland (2015)
18.
Tieleman, T., Hinton, G.: Lecture 6.5-rmsprop: divide the gradient by a running average of its recent magnitude. COURSERA: Neural Netw. Mach. Learn. 4, 2 (2012)
19.
Vedam, S., Keall, P., Docef, A., Todor, D., Kini, V., Mohan, R.: Predicting respiratory motion for four-dimensional radiotherapy. Med. Phys. 31(8), 2274 (2004)CrossRef
20.
Verma, P.S., Wu, H., Langer, M.P., Das, I.J., Sandison, G.: Survey: real-time tumor motion prediction for image-guided radiation treatment. Comput. Sci. Eng. 13(5), 24 (2011)CrossRef
Metadaten
Titel
Temporal Prediction of Respiratory Motion Using a Trained Ensemble of Forecasting Methods
verfasst von
Xiaoran Chen
Christine Tanner
Orçun Göksel
Gábor Székely
Valeria De Luca
Copyright-Jahr
2016
Buch
Medical Imaging and Augmented Reality

Print ISBN: 978-3-319-43774-3

Electronic ISBN: 978-3-319-43775-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-43775-0_35