論文の概要: Physics-Guided Radiotherapy Treatment Planning with Deep Learning
- arxiv url: http://arxiv.org/abs/2506.19880v1
- Date: Mon, 23 Jun 2025 19:44:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.465674
- Title: Physics-Guided Radiotherapy Treatment Planning with Deep Learning
- Title（参考訳）: 深層学習を用いた物理誘導放射線治療計画
- Authors: Stefanos Achlatis, Efstratios Gavves, Jan-Jakob Sonke,
- Abstract要約: 放射線治療計画のための2段階物理誘導深層学習パイプラインを提案する。
前立腺癌133例に対して,均一な2-arc VMATプロトコルを用いてアプローチを訓練し,評価した。
- 参考スコア（独自算出の注目度）: 27.620227899075022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiotherapy (RT) is a critical cancer treatment, with volumetric modulated arc therapy (VMAT) being a commonly used technique that enhances dose conformity by dynamically adjusting multileaf collimator (MLC) positions and monitor units (MU) throughout gantry rotation. Adaptive radiotherapy requires frequent modifications to treatment plans to account for anatomical variations, necessitating time-efficient solutions. Deep learning offers a promising solution to automate this process. To this end, we propose a two-stage, physics-guided deep learning pipeline for radiotherapy planning. In the first stage, our network is trained with direct supervision on treatment plan parameters, consisting of MLC and MU values. In the second stage, we incorporate an additional supervision signal derived from the predicted 3D dose distribution, integrating physics-based guidance into the training process. We train and evaluate our approach on 133 prostate cancer patients treated with a uniform 2-arc VMAT protocol delivering a dose of 62 Gy to the planning target volume (PTV). Our results demonstrate that the proposed approach, implemented using both 3D U-Net and UNETR architectures, consistently produces treatment plans that closely match clinical ground truths. Our method achieves a mean difference of D95% = 0.42 +/- 1.83 Gy and V95% = -0.22 +/- 1.87% at the PTV while generating dose distributions that reduce radiation exposure to organs at risk. These findings highlight the potential of physics-guided deep learning in RT planning.
- Abstract（参考訳）: 放射線療法 (RT) は重要ながん治療であり, 容積変調アーク療法 (VMAT) は多葉コリメータ (MLC) の位置を動的に調整し, ガントリ回転を通してモニターユニット (MU) を動的に調整することによって線量適合性を高める技術として一般的に用いられている。
適応放射線療法は、解剖学的変異を考慮し、時間効率のソリューションを必要とする治療計画に頻繁な修正を必要とする。
ディープラーニングはこのプロセスを自動化するための有望なソリューションを提供する。
そこで本研究では,放射線治療計画のための2段階の物理誘導深層学習パイプラインを提案する。
第1段階では、MLCとMUの値からなる治療計画パラメータを直接監督するネットワークを訓練する。
第2段階では、予測された3次元線量分布から導かれる追加の監視信号を導入し、物理に基づくガイダンスをトレーニングプロセスに統合する。
前立腺癌133例に対して,計画目標容積 (PTV) に62Gyを投与する均一な2-arc VMATプロトコルを用いてアプローチを訓練し,評価した。
提案手法は, 3次元U-NetアーキテクチャとUNETRアーキテクチャの両方を用いて実装され, 臨床基礎事実と密に一致した治療計画が一貫して作成されていることを示す。
D95% = 0.42 +/- 1.83 Gy と V95% = -0.22 +/- 1.87% の差を PTV で達成し, 放射線被曝リスクを低減させる線量分布を生成する。
これらの知見は,RT計画における物理誘導型ディープラーニングの可能性を示している。
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) - Transforming Multimodal Models into Action Models for Radiotherapy [39.682133213072554]
放射線治療は重要ながん治療であり、腫瘍の保存と健康な組織の根絶のバランスをとるための正確な計画が必要である。
伝統的な治療計画(TP)は、反復的で、時間がかかり、人間の専門知識に依存している。
本稿では,MLM(Multimodal foundation model)を,数発の強化学習アプローチを用いたアクションモデルに変換するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-06T09:51:28Z) - Multi-Task Learning for Integrated Automated Contouring and Voxel-Based Dose Prediction in Radiotherapy [14.461358266632814]
従来の放射線治療計画プロセスでは、個別のタスクとして自動コントゥーリングと治療計画がある。
本研究では,マルチタスク学習(MTL)アプローチを適用し,自動コントゥーリングとボクセルベースの線量予測タスクをシームレスに統合する。
自動コントゥーリングおよび線量予測タスクのためのMTLモデルは、コントゥーリング精度を維持しつつ、時には改善した線量予測性能を示した。
論文 参考訳（メタデータ） (2024-11-27T21:45:03Z) - Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。
ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - Dose Prediction Driven Radiotherapy Paramters Regression via Intra- and
Inter-Relation Modeling [8.31243292970232]
線量マップ予測段階と放射線治療パラメータ回帰段階を含む放射線治療パラメータを直接回帰する新しい2段階フレームワークを提案する。
ステージ1では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)を組み合わせて、豊かなグローバルおよびローカル情報で現実的な線量マップを予測する。
ステージ2では、イントラ・リレーショナル・モデリング(Intra-RM)モジュールとインター・リレーショナル・モデリング(Inter-RM)モジュール(Inter-RM)モジュールの2つの精巧なモジュールが、正確なパラメータ回帰のために臓器特異的および臓器共有の特徴を利用するように設計されている。
論文 参考訳（メタデータ） (2024-02-29T05:57:35Z) - 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) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳（メタデータ） (2023-04-05T10:40:37Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 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) - 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)
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。