論文の概要: AI-Based Detection of In-Treatment Changes from Prostate MR-Linac Images

• arxiv url: http://arxiv.org/abs/2602.04983v1
• Date: Wed, 04 Feb 2026 19:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.585084
• Title: AI-Based Detection of In-Treatment Changes from Prostate MR-Linac Images
• Title（参考訳）: 前立腺MR-Linac画像からのAIによる抑止変化の検出
• Authors: Seungbin Park, Peilin Wang, Ryan Pennell, Emily S. Weg, Himanshu Nagar, Timothy McClure, Mert R. Sabuncu, Daniel Margolis, Heejong Kim,
• Abstract要約: 本研究は761例のMR-Linac画像を含む。 深層学習モデルを用いて、ペア画像の時間順を予測することにより、治療に伴う変化を特徴づけた。 モデルはMR-Linac分画の時間順を正確に予測し、放射誘起変化を1日または数日で検出する。
• 参考スコア（独自算出の注目度）: 3.7125499134835542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To investigate whether routinely acquired longitudinal MR-Linac images can be leveraged to characterize treatment-induced changes during radiotherapy, particularly subtle inter-fraction changes over short intervals (average of 2 days). Materials and Methods: This retrospective study included a series of 0.35T MR-Linac images from 761 patients. An artificial intelligence (deep learning) model was used to characterize treatment-induced changes by predicting the temporal order of paired images. The model was first trained with the images from the first and the last fractions (F1-FL), then with all pairs (All-pairs). Model performance was assessed using quantitative metrics (accuracy and AUC), compared to a radiologist's performance, and qualitative analyses - the saliency map evaluation to investigate affected anatomical regions. Input ablation experiments were performed to identify the anatomical regions altered by radiotherapy. The radiologist conducted an additional task on partial images reconstructed by saliency map regions, reporting observations as well. Quantitative image analysis was conducted to investigate the results from the model and the radiologist. Results: The F1-FL model yielded near-perfect performance (AUC of 0.99), significantly outperforming the radiologist. The All-pairs model yielded an AUC of 0.97. This performance reflects therapy-induced changes, supported by the performance correlation to fraction intervals, ablation tests and expert's interpretation. Primary regions driving the predictions were prostate, bladder, and pubic symphysis. Conclusion: The model accurately predicts temporal order of MR-Linac fractions and detects radiation-induced changes over one or a few days, including prostate and adjacent organ alterations confirmed by experts. This underscores MR-Linac's potential for advanced image analysis beyond image guidance.
• Abstract（参考訳）: 目的: 連続的に取得したMR-Linac画像を用いて, 放射線治療中の治療誘発変化, 特に短区間(平均2日間)における微妙なインターフレクション変化を特徴付けることができるかを検討すること。 材料と方法: この振り返り調査では761例のMR-Linac画像が0.35T。 人工知能(ディープラーニング)モデルを用いて、ペア画像の時間的順序を予測することにより、治療によって引き起こされる変化を特徴づけた。 このモデルは最初、最初の部分と最後の部分(F1-FL)の画像で訓練され、次にすべてのペア(全ペア)で訓練された。 測定値(精度,AUC)と放射線技師のパフォーマンスと質的分析,および影響解剖学的領域を調査するための唾液マップ評価を用いて,モデル性能を評価した。 放射線療法により変化した解剖学的領域を同定するために,入力アブレーション実験を行った。 放射線学者は、唾液マップ地域によって再構成された部分的な画像に関する追加のタスクを実行し、観察も報告した。 モデルと放射線科医の結果を定量的に解析した。 結果: F1-FLモデルでは, ほぼ完全性能(AUC0.99)が得られた。 オールペアモデルではAUCは0.97であった。 この性能は治療によって引き起こされる変化を反映しており、性能相関は分断間隔、アブレーションテスト、専門家の解釈に支えられている。 前立腺、膀胱、パビック・サイロフィックを駆動する一次領域は、前立腺、膀胱、およびパビック・サイロフィックであった。 結論: このモデルはMR-Linac分画の時間的順序を正確に予測し, 専門家が確認した前立腺と隣接臓器の変更を含む放射線による変化を1〜数日にわたって検出する。 これはMR-Linacが画像誘導を超えて高度な画像解析を行う可能性を示している。

関連論文リスト

• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Leveraging Support Vector Regression, Radiomics and Dosiomics for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) [5.497745780154633]
  本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。 脳転移69例の振り返りコホートを解析した。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-09-09T15:57:21Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Vision-Language Model-Based Semantic-Guided Imaging Biomarker for Lung Nodule Malignancy Prediction [0.38698178563798113]
  本研究の目的は, 放射線技師による結節評価から得られた意味的特徴を統合し, 臨床的に関連性があり, 堅牢で, 説明可能な画像的特徴を肺がんの予測に役立てることである。 画像と意味的テキストの特徴を整合させ,1年間の肺がん診断を予測するためのパラメータ効率の良い微調整手法を用いて,事前訓練されたコントラスト言語画像訓練モデルを微調整した。
  論文  参考訳（メタデータ） (2025-04-30T06:11:34Z)
• The object detection method aids in image reconstruction evaluation and clinical interpretation of meniscal abnormalities [0.0]
  本研究では,ディープラーニング(DL)画像再構成の品質と異常検出性能の関係について検討した。 再建画像における半月面異常の解釈を強化するための人工知能アシスタントの有効性を評価する。
  論文  参考訳（メタデータ） (2024-07-16T21:25:28Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)

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。