論文の概要: Neural Network-Driven Direct CBCT-Based Dose Calculation for Head-and-Neck Proton Treatment Planning

• arxiv url: http://arxiv.org/abs/2509.18378v1
• Date: Mon, 22 Sep 2025 20:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.55812
• Title: Neural Network-Driven Direct CBCT-Based Dose Calculation for Head-and-Neck Proton Treatment Planning
• Title（参考訳）: ニューラルネット駆動直接CBCTによる頭頸部プロトン処理計画のための線量計算
• Authors: Muheng Li, Evangelia Choulilitsa, Lisa Fankhauser, Francesca Albertini, Antony Lomax, Ye Zhang,
• Abstract要約: コーンビームCT画像の線量計算は現代の陽子処理計画に不可欠である。 従来のCBCTベースの線量計算は画像品質の限界に悩まされており、複雑な補正が必要である。 本研究はCBCT画像からの直接陽子線量計算のための深層学習手法を開発し,検証する。
• 参考スコア（独自算出の注目度）: 5.972646198959602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate dose calculation on cone beam computed tomography (CBCT) images is essential for modern proton treatment planning workflows, particularly when accounting for inter-fractional anatomical changes in adaptive treatment scenarios. Traditional CBCT-based dose calculation suffers from image quality limitations, requiring complex correction workflows. This study develops and validates a deep learning approach for direct proton dose calculation from CBCT images using extended Long Short-Term Memory (xLSTM) neural networks. A retrospective dataset of 40 head-and-neck cancer patients with paired planning CT and treatment CBCT images was used to train an xLSTM-based neural network (CBCT-NN). The architecture incorporates energy token encoding and beam's-eye-view sequence modelling to capture spatial dependencies in proton dose deposition patterns. Training utilized 82,500 paired beam configurations with Monte Carlo-generated ground truth doses. Validation was performed on 5 independent patients using gamma analysis, mean percentage dose error assessment, and dose-volume histogram comparison. The CBCT-NN achieved gamma pass rates of 95.1 $\pm$ 2.7% using 2mm/2% criteria. Mean percentage dose errors were 2.6 $\pm$ 1.4% in high-dose regions ($>$90% of max dose) and 5.9 $\pm$ 1.9% globally. Dose-volume histogram analysis showed excellent preservation of target coverage metrics (Clinical Target Volume V95% difference: -0.6 $\pm$ 1.1%) and organ-at-risk constraints (parotid mean dose difference: -0.5 $\pm$ 1.5%). Computation time is under 3 minutes without sacrificing Monte Carlo-level accuracy. This study demonstrates the proof-of-principle of direct CBCT-based proton dose calculation using xLSTM neural networks. The approach eliminates traditional correction workflows while achieving comparable accuracy and computational efficiency suitable for adaptive protocols.
• Abstract（参考訳）: コーンビームCT(CBCT)画像の正確な線量計算は、現代のプロトン処理計画ワークフロー、特に適応的治療シナリオにおける屈折間解剖学的変化を考慮した場合、不可欠である。 従来のCBCTベースの線量計算は画像品質の限界に悩まされており、複雑な修正ワークフローを必要とする。 本研究では,拡張長短期記憶(xLSTM)ニューラルネットワークを用いたCBCT画像からの直接陽子線量計算のための深層学習手法を開発し,検証する。 XLSTM-based neural network (CBCT-NN) をトレーニングするために, 立案CTと治療CBCT像を併用した40例の頭頸部癌患者の振り返りデータセットを用いた。 このアーキテクチャは、陽子線量沈着パターンにおける空間的依存関係を捉えるために、エネルギートークンエンコーディングとビームの目視シーケンスをモデル化する。 82,500対のビーム配置とモンテカルロが生成した地上の真理線量を利用した訓練を行った。 ガンマ分析, 平均線量誤差評価, および線量と線量の比較により, 5例の独立した患者に対して検証を行った。 CBCT-NNは、2mm/2%の基準で95.1ドル\pm$ 2.7%のガンマパスレートを達成した。 平均線量誤差は、高線量域で2.6ドル\pm$ 1.4%(最大線量で90%)、全世界で5.9ドル\pm$ 1.9%であった。 ドーズボリュームヒストグラム解析では、目標カバレッジ指標(Clinical Target Volume V95%差:-0.6 $\pm$ 1.1%)とオルガン・アット・リスク制約(パロタイド平均線量差:-0.5 $\pm$ 1.5%)の保存性が良好であった。 計算時間はモンテカルロレベルの精度を犠牲にすることなく3分以内である。 本研究では,xLSTMニューラルネットワークを用いたCBCTによる直接陽子線量計算の原理実証を行った。 このアプローチは従来の修正ワークフローを排除し、適応プロトコルに適した精度と計算効率を達成する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
  本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。 2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。 パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-07-14T21:29:28Z)
• Energy-Guided Diffusion Model for CBCT-to-CT Synthesis [8.888473799320593]
  コーンビームCT(CBCT)は、臓器解剖が変化した場合の放射線治療を正確に行うことにより、適応放射線療法(ART)において重要な役割を担っている。 CBCT画像は散乱ノイズやアーティファクトに悩まされ、CBCTのみに依存して正確な線量計算と正確な組織局在を困難にしている。 本稿では,エネルギー誘導拡散モデル(EGDiff)を提案し,胸部腫瘍データセットを用いてCBCTから合成CT(sCT)を生成する実験を行った。
  論文  参考訳（メタデータ） (2023-08-07T07:23:43Z)
• 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)
• Unpaired cross-modality educed distillation (CMEDL) applied to CT lung tumor segmentation [4.409836695738518]
  我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。 我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
  論文  参考訳（メタデータ） (2021-07-16T15:58:15Z)
• Deep cross-modality (MR-CT) educed distillation learning for cone beam CT lung tumor segmentation [3.8791511769387634]
  新しい深層学習型cbct肺腫瘍分割法を開発した。 提案手法の主な考え方は、磁気共鳴イメージング(MRI)を用いてCBCTセグメンテーションネットワークトレーニングをガイドすることである。 我々は,unpaired cbct と mri データセットを用いて,unpaired domain adaptation (uda) とcross-domain segmentation distillation network (sdn) からなるエンドツーエンドネットワークを訓練することでこれを実現する。
  論文  参考訳（メタデータ） (2021-02-17T03:52:02Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。