論文の概要: Unsupervised deep learning model for fast energy layer pre-selection of delivery-efficient proton arc therapy plan optimization of nasopharyngeal carcinoma

• arxiv url: http://arxiv.org/abs/2506.15803v1
• Date: Wed, 18 Jun 2025 18:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.797311
• Title: Unsupervised deep learning model for fast energy layer pre-selection of delivery-efficient proton arc therapy plan optimization of nasopharyngeal carcinoma
• Title（参考訳）: 鼻咽喉頭癌に対する高効率プロトンアーク治療計画選択のための教師なし深層学習モデル
• Authors: Bohan Yang, Gang Liu, Rirao Dao, Yujia Qian, Ke Shi, Anke Tang, Yong Luo, Jingnan Liu,
• Abstract要約: 本稿では,ターゲットと臓器の交差する陽子点の数を危険にさらす新しいデータ表現法であるスポット数表現法を提案する。 この表現は、三目的関数を最適化するために訓練されたUNetベースのアーキテクチャであるSPArcdlの入力である。 本モデルは鼻咽喉頭癌54例を対象に評価し,SPArc Particle Swarm による検討結果と比較した。
• 参考スコア（独自算出の注目度）: 5.831168572058776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective. Proton arc therapy (PAT) is an emerging and promising modality in radiotherapy, offering several advantages over conventional intensitymodulated proton therapy (IMPT). However, identifying the optimal energy layer (EL) sequence remains computationally intensive due to the large number of possible energy layer transitions. This study proposes an unsupervised deep learning framework for fast and effective EL pre-selection, aiming to minimize energy layer switch time while preserving high plan quality. Approach. We introduce a novel data representation method, spot-count representation, which encodes the number of proton spots intersecting the target and organs at risk (OARs) in a matrix structured by sorted gantry angles and energy layers. This representation is the input of a UNet-based architecture, SPArcdl, which is trained to optimize a tri-objective function: maximizing target coverage, minimizing OAR exposure, and reducing energy switching time. The model is evaluated on 54 nasopharyngeal cancer cases, and its performance is benchmarked against plans generated by SPArcparticle swarm. Main results. SPArcdl produces EL pre-selection that significantly improves both plan quality and delivery efficiency. Compared to SPArc particle swarm, it enhances the conformity index by 0.16 (p < 0.01), reduces the homogeneity index by 0.71 (p < 0.01), shortens the energy switching time by 38.4% (p < 0.01), and lowers the mean dose to brainstem by 0.21 (p < 0.01). The results unintentionally reveal employing unchanged ELS is more time-wise efficient than descended ELS. SPArcdl's inference time is within 1 second. Significance. SPArcdl is a fast and effective tool for generating high-quality PAT plans by strategically pre-selecting energy layers to reduce delivery time while maintaining excellent dosimetric performance.
• Abstract（参考訳）: 目的。 プロトンアーク療法(Proton arc therapy, PAT)は、放射線治療において、従来の強度変調プロトン療法(IMPT)よりもいくつかの利点がある。 しかしながら、最適エネルギー層 (EL) 配列の同定は、可能エネルギー層遷移の多さのため、計算集約的なままである。 本研究では,高速かつ効率的なEL事前選択のための教師なしディープラーニングフレームワークを提案する。 アプローチ。 本稿では, ガントリー角とエネルギー層をソートした行列において, ターゲットと臓器の交差する陽子点の数をエンコードする新しいデータ表現法であるスポット数表現を導入する。 この表現はUNetベースのアーキテクチャであるSPArcdlの入力であり、ターゲットカバレッジの最大化、OAR露出の最小化、エネルギースイッチング時間の短縮といった三目的関数を最適化するよう訓練されている。 本モデルは鼻咽喉頭癌54例を対象に評価し,SPArc Particle Swarm による検討結果と比較した。 主な結果。 SPArcdlは、計画品質とデリバリ効率の両方を大幅に改善するEL事前選択を生成する。 SPArc粒子群と比較して、適合度指数を0.16(p < 0.01)、均一度指数を0.71(p < 0.01)、エネルギー交換時間を38.4%(p < 0.01)、平均線量を0.21(p < 0.01)に下げる。 その結果, 変化のないESSを用いた場合, 降下ESSよりも時間的に効率的であることが判明した。 SPArcdlの推測時間は1秒以内である。 重要なこと。 SPArcdlは、優れたドシメトリック性能を維持しつつ、納品時間を短縮するために戦略的にエネルギー層を選択して高品質のPATプランを作成するための、高速で効果的なツールである。

関連論文リスト

• Automated Treatment Planning for Interstitial HDR Brachytherapy for Locally Advanced Cervical Cancer using Deep Reinforcement Learning [3.9838929530763076]
  本研究の目的は、完全に自動化されたHDRブラキセラピー計画フレームワークを開発することである。 階層的な2段階自動計画フレームワークを提案する。 未確認の患者では、RLベースの自動計画法が平均93.89%を達成し、平均91.86%の臨床計画を上回りました。
  論文  参考訳（メタデータ） (2025-06-13T17:07:30Z)
• RNN-Based Models for Predicting Seizure Onset in Epileptic Patients [0.0]
  既存のシステムの精度と誤報率は、静しきい値と基本的な脳波特性に依存しているため、しばしば妥協される。 本稿では,これらの制約を克服するため,新しいリカレントニューラルネットワーク(RNN)を用いた発作発生予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T08:05:01Z)
• Enhancing Skin Cancer Diagnosis (SCD) Using Late Discrete Wavelet Transform (DWT) and New Swarm-Based Optimizers [0.0]
  皮膚がんは最も致命的ながんの1つであり、診断を受けなければ危険が増幅され、迅速に治療される。 早期発見と皮膚がん診断(SCD)の強力なツールとしてディープラーニングが登場した 本稿では,事前に訓練されたネットワークとウェーブレット変換を併用した最適化手法を用いて,皮膚がん検出のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-30T13:17:52Z)
• LoRAPrune: Structured Pruning Meets Low-Rank Parameter-Efficient Fine-Tuning [56.88751562302793]
  低ランク適応 (LoRA) が大型言語モデル (LLM) に登場した。 LoRAPruneは、高度にメモリ効率の良い正確な構造化プルーンドモデルを提供する新しいフレームワークである。 LoRAPruneはWikiText2では4.81、TBでは3.46、メモリ使用量は52.6%減少している。
  論文  参考訳（メタデータ） (2023-05-28T15:15:48Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Energy-Efficient Tree-Based EEG Artifact Detection [17.085570466000906]
  てんかんモニタリングでは、脳波アーチファクトは振幅と周波数の両方で形態学的に類似しているため、発作と誤認されることが多い。 本研究では, 並列超低消費電力(PULP)組み込みプラットフォーム上で, 最小数のEEGチャネルに基づくアーティファクト検出アルゴリズムの実装について述べる。
  論文  参考訳（メタデータ） (2022-04-19T12:57:26Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy [68.8204255655161]
  本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。 本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。 100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
  論文  参考訳（メタデータ） (2021-05-14T18:37:00Z)
• Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal [3.0625456792807424]
  子宮収縮と電気活動の相互関係は、子宮電気ヒステグラム(EHG)を早期発見と予測のための有望な方向へと導く。 EHGシグナルの不足、特に短期患者の信号の不足により、合成アルゴリズムを適用して、事前型の人工的なサンプルを作成する。
  論文  参考訳（メタデータ） (2020-07-03T01:12:31Z)

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。