論文の概要: Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2509.18155v1
• Date: Tue, 16 Sep 2025 19:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.429788
• Title: Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification
• Title（参考訳）: モンテカルロ滴下不確かさ量子化による陽子線量のサロゲートモデリング
• Authors: Aaron Pim, Tristan Pryer,
• Abstract要約: 我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。 この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。 プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate proton dose calculation using Monte Carlo (MC) is computationally demanding in workflows like robust optimisation, adaptive replanning, and probabilistic inference, which require repeated evaluations. To address this, we develop a neural surrogate that integrates Monte Carlo dropout to provide fast, differentiable dose predictions along with voxelwise predictive uncertainty. The method is validated through a series of experiments, starting with a one-dimensional analytic benchmark that establishes accuracy, convergence, and variance decomposition. Two-dimensional bone-water phantoms, generated using TOPAS Geant4, demonstrate the method's behavior under domain heterogeneity and beam uncertainty, while a three-dimensional water phantom confirms scalability for volumetric dose prediction. Across these settings, we separate epistemic (model) from parametric (input) contributions, showing that epistemic variance increases under distribution shift, while parametric variance dominates at material boundaries. The approach achieves significant speedups over MC while retaining uncertainty information, making it suitable for integration into robust planning, adaptive workflows, and uncertainty-aware optimisation in proton therapy.
• Abstract（参考訳）: モンテカルロ (MC) を用いた正確な陽子線量計算は、頑健な最適化、適応的再計画、確率的推論など、繰り返し評価を必要とするワークフローにおいて計算的に要求されている。 これを解決するために,モンテカルロのドロップアウトを統合し,高速で微分可能な線量予測とボクセルワイズ予測の不確実性を提供するニューラルサロゲートを開発した。 この方法は、精度、収束性、分散分解を確立する1次元分析ベンチマークから始まる一連の実験を通じて検証される。 TOPAS Geant4を用いて生成された2次元の骨水ファントムは、領域の不均一性とビームの不確実性の下での手法の挙動を実証する一方、3次元の水ファントムは体積線量予測のスケーラビリティを確認する。 これらの設定全体では,パラメトリック(インプット)コントリビューションからエピステマティクス(モデル)を分離し,分布シフトによってエピステマティクスのばらつきが増加し,パラメトリックのばらつきが物質境界において支配的であることを示す。 この手法は、不確実性情報を保持しながらMCを大幅に高速化し、プロトン療法における堅牢な計画、適応ワークフロー、不確実性を考慮した最適化に適合する。

関連論文リスト

• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Wasserstein Distributionally Robust Estimation in High Dimensions: Performance Analysis and Optimal Hyperparameter Tuning [2.4578723416255754]
  分散ロバスト最適化(DRO)は不確実性の下での見積もりの強力なフレームワークとなっている。 本稿では,DROに基づく線形回帰法を提案し,その中心的問題,すなわちロバストネス半径を最適に選択する方法を提案する。 本手法はクロスバリデーションと同じ効果を示すが,計算コストのごく一部で実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-27T13:02:59Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Quantifying the Uncertainty in Model Parameters Using Gaussian Process-Based Markov Chain Monte Carlo: An Application to Cardiac Electrophysiological Models [7.8316005711996235]
  パーソナライズされたモデリングには,患者固有のモデルパラメータの推定が重要である。 標準マルコフ連鎖モンテカルロサンプリングは、計算不可能な繰り返しモデルシミュレーションを必要とする。 一般的な解決策は、より高速なサンプリングのためにシミュレーションモデルを計算効率の良いサロゲートに置き換えることである。
  論文  参考訳（メタデータ） (2020-06-02T23:48:15Z)

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。