論文の概要: Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction

• arxiv url: http://arxiv.org/abs/2508.02043v1
• Date: Mon, 04 Aug 2025 04:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.169363
• Title: Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction
• Title（参考訳）: エンド・ツー・エンドマルチモーム線量予測のための解剖学的二重制約付き条件拡散モデル
• Authors: Hui Xie, Haiqin Hu, Lijuan Ding, Qing Li, Yue Sun, Tao Tan,
• Abstract要約: ADDiff-Doseは、エンドツーエンドの多腫瘍量予測のための解剖学的二重制約拡散モデルである。 マルチヘッドアテンション機構を介して条件特徴を組み込み、MSE、条件項、KLの発散を組み合わせた複合損失関数を利用する。 従来のベースラインよりも大幅に優れており、MAEは0.101-0.154、DICE係数は0.927、脊髄最大線量誤差は0.1Gyに制限されている。
• 参考スコア（独自算出の注目度）: 13.716930604289924
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Radiotherapy treatment planning often relies on time-consuming, trial-and-error adjustments that heavily depend on the expertise of specialists, while existing deep learning methods face limitations in generalization, prediction accuracy, and clinical applicability. To tackle these challenges, we propose ADDiff-Dose, an Anatomical-Dose Dual Constraints Conditional Diffusion Model for end-to-end multi-tumor dose prediction. The model employs LightweightVAE3D to compress high-dimensional CT data and integrates multimodal inputs, including target and organ-at-risk (OAR) masks and beam parameters, within a progressive noise addition and denoising framework. It incorporates conditional features via a multi-head attention mechanism and utilizes a composite loss function combining MSE, conditional terms, and KL divergence to ensure both dosimetric accuracy and compliance with clinical constraints. Evaluation on a large-scale public dataset (2,877 cases) and three external institutional cohorts (450 cases in total) demonstrates that ADDiff-Dose significantly outperforms traditional baselines, achieving an MAE of 0.101-0.154 (compared to 0.316 for UNet and 0.169 for GAN models), a DICE coefficient of 0.927 (a 6.8% improvement), and limiting spinal cord maximum dose error to within 0.1 Gy. The average plan generation time per case is reduced to 22 seconds. Ablation studies confirm that the structural encoder enhances compliance with clinical dose constraints by 28.5%. To our knowledge, this is the first study to introduce a conditional diffusion model framework for radiotherapy dose prediction, offering a generalizable and efficient solution for automated treatment planning across diverse tumor sites, with the potential to substantially reduce planning time and improve clinical workflow efficiency.
• Abstract（参考訳）: 放射線治療治療計画では、しばしば専門医の専門知識に大きく依存する時間を要する試行錯誤の調整に頼っているが、既存のディープラーニング手法では、一般化、予測精度、臨床応用性の制限に直面している。 これらの課題に対処するために,解剖学的二重制約条件拡散モデルであるADDiff-Doseを提案する。 このモデルは、高次元CTデータを圧縮するために軽量VAE3Dを使用し、プログレッシブノイズ付加・雑音化フレームワーク内にターゲットマスクやオーガンアットリスク(OAR)マスク、ビームパラメータを含むマルチモーダル入力を統合する。 マルチヘッドアテンション機構を介して条件特徴を取り入れ、MSE、条件項、KLの発散を組み合わせた複合損失関数を用いて、ドシメトリックな精度と臨床上の制約の遵守を確実にする。 大規模公共データセット(2,877件)と3つの外部機関コホート(合計450件)の評価では、ADDiff-Doseは従来のベースラインよりも大幅に優れており、MAEは0.101-0.154(UNetは0.316件、GANモデルは0.169件)、DICE係数は0.927件(改善6.8%)、脊髄最大線量誤差は0.1Gy以内である。 ケース毎の平均プラン生成時間は22秒に短縮される。 アブレーション研究は、構造エンコーダが臨床用量制限のコンプライアンスを28.5%向上させることを確認した。 本研究は, 放射線照射量予測のための条件拡散モデルフレームワークを導入する最初の試みであり, 種々の腫瘍部位を対象とした自動治療計画の汎用的で効率的なソリューションを提供するとともに, 計画時間を大幅に短縮し, 臨床ワークフロー効率を向上する可能性を秘めている。

関連論文リスト

• A Metabolic-Imaging Integrated Model for Prognostic Prediction in Colorectal Liver Metastases [5.6492616107251274]
  本研究は,術後再発リスクを予測するための頑健な機械学習モデルを開発し,検証した。 コントラスト造影CTでは,術前臨床パラメータと放射線学的特徴に入力変数を制限した。 3ヶ月の再発予測モデルでは、AUCが0.723のクロスバリデーションで最適性能を示した。
  論文  参考訳（メタデータ） (2025-07-26T01:29:38Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [26.589728923739596]
  我々は、新型コロナウイルス患者の臨床結果を予測するために、畳み込みニューラルネットワークとファンデーションモデルの伝達可能性を評価し、比較した。 評価は、広範囲にわたるフルデータシナリオと、より現実的なFew-Shot Learning設定の両方を含む、複数の学習パラダイムで実施された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• ISLES'24: Final Infarct Prediction with Multimodal Imaging and Clinical Data. Where Do We Stand? [5.354756727899756]
  ISLES24の課題は、予防的急性期脳梗塞画像と臨床データから最終梗塞量を予測することである。 マルチモーダルnnU-Netベースのアーキテクチャであるトップパフォーマンスモデルは、98ケースの隠れテストセットに対してDiceスコア0.285を達成した。
  論文  参考訳（メタデータ） (2024-08-20T16:01:05Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care [0.9503773054285559]
  本稿では,救急医療におけるマルチモーダル意思決定支援を推進すべく,データセットとベンチマークプロトコルを提案する。 本モデルでは, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図(ECG)波形を入力として, 放電診断と患者の劣化の双方を予測する。
  論文  参考訳（メタデータ） (2024-07-25T08:21:46Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• 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)
• 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)
• Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk Prediction for Radiotherapy [12.05638699290782]
  畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。 将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。 私たちは2つの放射線治療データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2021-06-16T18:29:16Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)

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。