Study of Learning Entropy for Novelty Detection in lung tumor motion prediction for target tracking radiation therapy

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F14%3A00224858" target="_blank" >RIV/68407700:21220/14:00224858 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6889834" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6889834</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IJCNN.2014.6889834" target="_blank" >10.1109/IJCNN.2014.6889834</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Study of Learning Entropy for Novelty Detection in lung tumor motion prediction for target tracking radiation therapy

Popis výsledku v původním jazyce

This paper presents recently introduced concept of Learning Entropy (LE) for time series and recalls the practical form of its evaluation in real time. Then, a technique that estimates the increased risk of prediction inaccuracy of adaptive predictors inreal time using LE is introduced. On simulation examples using artificial signal and real respiratory time series, it is shown that LE can be used to evaluate the actual validity of the adaptive predicting model of time series in real time. The introduced technique is discussed as a potential approach to the improvement of accuracy of lung tumor tracking radiation therapy.

Název v anglickém jazyce

Study of Learning Entropy for Novelty Detection in lung tumor motion prediction for target tracking radiation therapy

Popis výsledku anglicky

This paper presents recently introduced concept of Learning Entropy (LE) for time series and recalls the practical form of its evaluation in real time. Then, a technique that estimates the increased risk of prediction inaccuracy of adaptive predictors inreal time using LE is introduced. On simulation examples using artificial signal and real respiratory time series, it is shown that LE can be used to evaluate the actual validity of the adaptive predicting model of time series in real time. The introduced technique is discussed as a potential approach to the improvement of accuracy of lung tumor tracking radiation therapy.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Neural Networks (IJCNN), 2014 International Joint Conference on - Scopus ISBN

ISBN

978-1-4799-1484-5

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

3124-3129

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Beijing

Datum konání akce

6. 7. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—