論文の概要: Fluence Map Prediction with Deep Learning: A Transformer-based Approach

• arxiv url: http://arxiv.org/abs/2511.08645v1
• Date: Thu, 13 Nov 2025 01:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.170259
• Title: Fluence Map Prediction with Deep Learning: A Transformer-based Approach
• Title（参考訳）: ディープラーニングを用いたフルエンスマップ予測:変圧器によるアプローチ
• Authors: Ujunwa Mgboh, Rafi Sultan, Dongxiao Zhu, Joshua Kim,
• Abstract要約: 本研究では, 臨床品質を維持しつつ, フラエンスマップ生成を加速する深層学習フレームワークを提案する。 エンドツーエンドの3D Swin-UNETRネットワークは、体積CT画像と解剖学的輪郭から直接9ビームのフルレンスマップを予測するために訓練された。 提案モデルでは,平均R2は0.95+/-0.02,MAEは0.035+/-0.008,ガンマ通過率は85+/-10%(3%/3mm)であった。
• 参考スコア（独自算出の注目度）: 4.362977319915193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fluence map prediction is essential in intensity-modulated radiation therapy (IMRT) to maximize tumor coverage while minimizing dose to healthy tissues. Conventional optimization is time-consuming and dependent on planner expertise. This study presents a deep learning framework that accelerates fluence map generation while maintaining clinical quality. An end-to-end 3D Swin-UNETR network was trained to predict nine-beam fluence maps directly from volumetric CT images and anatomical contours using 99 prostate IMRT cases (79 for training and 20 for testing). The transformer-based model employs hierarchical self-attention to capture both local anatomical structures and long-range spatial dependencies. Predicted fluence maps were imported into the Eclipse Treatment Planning System for dose recalculation, and model performance was evaluated using beam-wise fluence correlation, spatial gamma analysis, and dose-volume histogram (DVH) metrics. The proposed model achieved an average R^2 of 0.95 +/- 0.02, MAE of 0.035 +/- 0.008, and gamma passing rate of 85 +/- 10 percent (3 percent / 3 mm) on the test set, with no significant differences observed in DVH parameters between predicted and clinical plans. The Swin-UNETR framework enables fully automated, inverse-free fluence map prediction directly from anatomical inputs, enhancing spatial coherence, accuracy, and efficiency while offering a scalable and consistent solution for automated IMRT plan generation.
• Abstract（参考訳）: 正確なフラエンスマップ予測は、正常な組織への投与量を最小限に抑えながら腫瘍被覆を最大化するために、強度変調放射線療法(IMRT)において不可欠である。 従来の最適化は時間がかかり、プランナーの専門知識に依存します。 本研究では, 臨床品質を維持しつつ, フラエンスマップ生成を加速する深層学習フレームワークを提案する。 エンドツーエンドの3D Swin-UNETRネットワークは、99の前立腺IMRT(79例、試験用20例)を用いて、体積CT画像と解剖学的輪郭から直接9ビームのフルレンスマップを予測するために訓練された。 トランスフォーマーベースのモデルは、局所解剖学的構造と長距離空間的依存関係の両方をキャプチャするために階層的自己アテンションを用いる。 線量再計算のためのEclipse処理計画システムに予測されたフラエンスマップをインポートし, ビームワイドフラエンス相関, 空間ガンマ分析, 線量ヒストグラム(DVH)測定値を用いてモデル性能を評価した。 提案モデルでは, 平均 R^2 は 0.95 +/- 0.02, MAE は 0.035 +/- 0.008, ガンマ通過率は85 +/-10% (3%/3 mm) であり, 予測と臨床計画のDVHパラメータに有意差は認められなかった。 Swin-UNETRフレームワークは、解剖学的入力から直接、完全に自動化された逆フリーのフルレンスマップ予測を可能にし、空間コヒーレンス、精度、効率を向上させると同時に、自動IMRTプラン生成のためのスケーラブルで一貫性のあるソリューションを提供する。

関連論文リスト

• Patient-specific AI for generation of 3D dosimetry imaging from two 2D-planar measurements [39.75222230566146]
  本研究では,2次元平面画像から3次元活動マップを生成するために,患者固有の強化学習を利用する方法について検討する。 平面シンチグラフィーから3Dアクティビティマップを生成することは、新しいドシメトリー応用のための門を開く。
  論文  参考訳（メタデータ） (2025-10-24T11:46:51Z)
• Physics-Guided Radiotherapy Treatment Planning with Deep Learning [27.620227899075022]
  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。
  論文  参考訳（メタデータ） (2025-06-23T19:44:56Z)
• Diffusion Transformer-based Universal Dose Denoising for Pencil Beam Scanning Proton Therapy [3.2139860661520347]
  低統計量モンテカルロ線量マップ(MC)は高速で高品質な線量生成を実現するために提案されている。 80例のH&N患者のIMPT計画と3次元CT画像を用いて,ノイズおよび高統計的線量マップを作成した。 このモデルはすべての地点で0.195 (H&N), 0.120 (lung), 0.172 (breast), 0.376 Gy[RBE] (prostate) のMAEを達成した。
  論文  参考訳（メタデータ） (2025-06-04T21:37:15Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [28.526710503853877]
  現在の変形可能な画像登録(DIR)の実装は、離散的な体積運動表現に依存している。 患者解剖運動の連続モデリングに暗黙的神経表現(INR)を用いた新しいアプローチを提案する。 CPT-DIRは、登録と精度、自動化、スピードを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-01T10:26:08Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• 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)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)

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。