論文の概要: Diffusion Transformer-based Universal Dose Denoising for Pencil Beam Scanning Proton Therapy

• arxiv url: http://arxiv.org/abs/2506.04467v1
• Date: Wed, 04 Jun 2025 21:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.435765
• Title: Diffusion Transformer-based Universal Dose Denoising for Pencil Beam Scanning Proton Therapy
• Title（参考訳）: 拡散トランスを用いたペンシルビーム走査プロトン治療用ユニバーサルドナー
• Authors: Yuzhen Ding, Jason Holmes, Hongying Feng, Martin Bues, Lisa A. McGee, Jean-Claude M. Rwigema, Nathan Y. Yu, Terence S. Sio, Sameer R. Keole, William W. Wong, Steven E. Schild, Jonathan B. Ashman, Sujay A. Vora, Daniel J. Ma, Samir H. Patel, Wei Liu,
• Abstract要約: 低統計量モンテカルロ線量マップ(MC)は高速で高品質な線量生成を実現するために提案されている。 80例のH&N患者のIMPT計画と3次元CT画像を用いて,ノイズおよび高統計的線量マップを作成した。 このモデルはすべての地点で0.195 (H&N), 0.120 (lung), 0.172 (breast), 0.376 Gy[RBE] (prostate) のMAEを達成した。
• 参考スコア（独自算出の注目度）: 3.2139860661520347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Intensity-modulated proton therapy (IMPT) offers precise tumor coverage while sparing organs at risk (OARs) in head and neck (H&N) cancer. However, its sensitivity to anatomical changes requires frequent adaptation through online adaptive radiation therapy (oART), which depends on fast, accurate dose calculation via Monte Carlo (MC) simulations. Reducing particle count accelerates MC but degrades accuracy. To address this, denoising low-statistics MC dose maps is proposed to enable fast, high-quality dose generation. Methods: We developed a diffusion transformer-based denoising framework. IMPT plans and 3D CT images from 80 H&N patients were used to generate noisy and high-statistics dose maps using MCsquare (1 min and 10 min per plan, respectively). Data were standardized into uniform chunks with zero-padding, normalized, and transformed into quasi-Gaussian distributions. Testing was done on 10 H&N, 10 lung, 10 breast, and 10 prostate cancer cases, preprocessed identically. The model was trained with noisy dose maps and CT images as input and high-statistics dose maps as ground truth, using a combined loss of mean square error (MSE), residual loss, and regional MAE (focusing on top/bottom 10% dose voxels). Performance was assessed via MAE, 3D Gamma passing rate, and DVH indices. Results: The model achieved MAEs of 0.195 (H&N), 0.120 (lung), 0.172 (breast), and 0.376 Gy[RBE] (prostate). 3D Gamma passing rates exceeded 92% (3%/2mm) across all sites. DVH indices for clinical target volumes (CTVs) and OARs closely matched the ground truth. Conclusion: A diffusion transformer-based denoising framework was developed and, though trained only on H&N data, generalizes well across multiple disease sites.
• Abstract（参考訳）: 目的: Intensity-modulated proton therapy (IMPT) は頭頸部癌 (H&N) の臓器にOAR(英語版)(英語版)(英語版)(英語版)(英語版)(英語版))を投与しながら、正確な腫瘍カバレッジを提供する。 しかし、解剖学的変化に対する感度は、モンテカルロ(MC)シミュレーションによる高速で正確な線量計算に依存するオンライン適応放射線療法(oART)を通して頻繁に適応する必要がある。 粒子数を減少させるとMCが加速するが、精度は低下する。 これを解決するために,高速で高品質な線量生成を実現するために,低統計量MC線量マップのデノイングを提案する。 方法: 拡散トランスフォーマーに基づくデノナイジングフレームワークを開発した。 H&N80例のIMPT計画と3次元CT画像を用いて, MCsquare (1分1分, 10分10分) を用いたノイズ線量マップと高統計線量マップを作成した。 データはゼロパディングで一様チャンクに標準化され、正規化され、準ガウス分布に変換された。 H&N10例,肺10例,乳房10例,前立腺癌10例を対象に前処理を行った。 平均二乗誤差 (MSE) , 残留損失, 局所MAE (トップ/ボトム10%線量ボクセル) を併用して, ノイズの多い線量マップとCT像を入力として, 高統計量線量マップを地上真実として訓練した。 MAE, 3次元ガンマ通過速度, DVH指標を用いて評価した。 結果:MAEは0.195 (H&N), 0.120 (lung), 0.172 (breast), 0.376 Gy[RBE] (prostate) であった。 3Dガンマ通過率は全部位で92% (3%/2mm) 以上であった。 臨床対象量(CTV)とOARのDVH指標は,基礎的真実と密接に一致した。 結論: 拡散トランスフォーマーに基づくデノナイジングフレームワークが開発され, H&Nデータのみに基づいて訓練されているにもかかわらず, 複数の疾患部位にまたがってよく一般化されている。

関連論文リスト

• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  全体拡散強調MRI(WB-DWI)のADC値とTotal Diffusion Volume(TDV)が癌画像バイオマーカーとして認識されている。 最初のステップとして, 骨格, 隣接する内臓器(肝, 脾臓, 膀胱, 腎臓) および脊髄の高速かつ再現可能な確率マップを生成するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• Lung-DDPM: Semantic Layout-guided Diffusion Models for Thoracic CT Image Synthesis [3.433052805056497]
  Lung-DDPMは胸部CT画像合成法であり,高忠実度3D合成CT画像を効果的に生成する。 以上の結果から,本手法は画像品質評価や下流肺結節分割作業において,他の最先端生成モデルよりも優れていたことが示唆された。 実験の結果はLung-DDPMの幅広い医療画像応用の可能性を強調した。
  論文  参考訳（メタデータ） (2025-02-21T04:38:27Z)
• Noisy probing dose facilitated dose prediction for pencil beam scanning proton therapy: physics enhances generalizability [18.852346492990637]
  フォトンとプロトン療法におけるAIベースの線量予測研究は、基礎となる物理学を無視することが多い。 本研究の目的は,物理認識と一般化可能なAIベースのPBSPT線量予測法を設計することである。
  論文  参考訳（メタデータ） (2023-12-02T00:15:44Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)
• Noise Reduction to Compute Tissue Mineral Density and Trabecular Bone Volume Fraction from Low Resolution QCT [0.31666540219908274]
  本稿では,QCT(Quantical Computed Tomography)ノイズ低減のための,特定の損失関数を持つ3次元ニューラルネットワークを提案する。 組織ミネラル密度 (TMD) や骨量比 (BV/TV) などの微細構造パラメータを、ノイズ低減フィルタや標準ノイズ低減フィルタよりもはるかに高精度に計算する。
  論文  参考訳（メタデータ） (2020-11-04T16:17:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。