論文の概要: Longitudinal NSCLC Treatment Progression via Multimodal Generative Models

• arxiv url: http://arxiv.org/abs/2603.06147v1
• Date: Fri, 06 Mar 2026 10:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.522658
• Title: Longitudinal NSCLC Treatment Progression via Multimodal Generative Models
• Title（参考訳）: マルチモーダル生成モデルによる長期NSCLC治療の進展
• Authors: Massimiliano Mantegna, Elena Mulero Ayllón, Alice Natalina Caragliano, Francesco Di Feola, Claudia Tacconi, Michele Fiore, Edy Ippolito, Carlo Greco, Sara Ramella, Philippe C. Cattin, Paolo Soda, Matteo Tortora, Valerio Guarrasi,
• Abstract要約: VT(Virtual Treatment)は、治療による解剖学的変化を反映したプラウシブル・フォローアップCT画像の合成を目的としている。 NSCLC患者222名の縦断的データセットを用いて,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 1.4473886131439861
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting tumor evolution during radiotherapy is a clinically critical challenge, particularly when longitudinal changes are driven by both anatomy and treatment. In this work, we introduce a Virtual Treatment (VT) framework that formulates non-small cell lung cancer (NSCLC) progression as a dose-aware multimodal conditional image-to-image translation problem. Given a CT scan, baseline clinical variables, and a specified radiation dose increment, VT aims to synthesize plausible follow-up CT images reflecting treatment-induced anatomical changes. We evaluate the proposed framework on a longitudinal dataset of 222 stage III NSCLC patients, comprising 895 CT scans acquired during radiotherapy under irregular clinical schedules. The generative process is conditioned on delivered dose increments together with demographic and tumor-related clinical variables. Representative GAN-based and diffusion-based models are benchmarked across 2D and 2.5D configurations. Quantitative and qualitative results indicate that diffusion-based models benefit more consistently from multimodal, dose-aware conditioning and produce more stable and anatomically plausible tumor evolution trajectories than GAN-based baselines, supporting the potential of VT as a tool for in-silico treatment monitoring and adaptive radiotherapy research in NSCLC.
• Abstract（参考訳）: 放射線治療中の腫瘍の進展を予測することは臨床的に重要な課題であり、特に縦方向の変化は解剖学と治療の両方によって引き起こされる。 本研究では,非小細胞肺癌(NSCLC)の進行を多モーダル画像から画像への翻訳問題として定式化する仮想治療(VT)フレームワークを提案する。 CTスキャン、基礎臨床変数、特定の放射線線量の増加を考慮に入れ、VTは治療によって引き起こされる解剖学的変化を反映したプラウシブルなフォローアップCT画像の合成を目指している。 臨床スケジュール不整な放射線治療中に得られた895個のCT画像を含む,222ステージIII NSCLC患者の経時的データセットを用いて,提案手法の評価を行った。 この生成過程は、人口統計学的および腫瘍関連臨床変数とともに、提供された投与量の増加に条件付けられている。 代表的なGANベースのモデルと拡散ベースのモデルは、2Dおよび2.5D構成でベンチマークされる。 定量的および定性的な結果から,拡散型モデルは多量的,線量的条件付けからより一貫した恩恵を受け,GANベースラインよりも安定かつ解剖学的に妥当な腫瘍進展経路を誘導し,NSCLCにおける血管内治療モニタリングおよび適応放射線治療研究のツールとしてのVTの可能性を支持することが示唆された。

関連論文リスト

• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• MedSR-Impact: Transformer-Based Super-Resolution for Lung CT Segmentation, Radiomics, Classification, and Prognosis [0.0]
  高分解能CTは胸部疾患の正確な診断と治療計画に不可欠である。 臨床的肺CT解析のためのトランスフォーマーベース超解像フレームワークである Transformer Volumetric Super-Resolution Network (textbfTVSRN-V2) を提案する。
  論文  参考訳（メタデータ） (2025-07-21T07:53:49Z)
• ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer [10.797150801746957]
  非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。 既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。 本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
  論文  参考訳（メタデータ） (2025-05-29T17:19:40Z)
• CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression [38.14873567230233]
  特発性肺線維症(IPF)は患者の死亡率に大きく相関する。 現在の臨床基準では1年間隔で2回のCT検査を必要とする疾患の進行を規定している。 そこで我々は, 患者のCT画像からIPFの進行を正確に予測する新しい拡散モデルを開発した。
  論文  参考訳（メタデータ） (2024-08-01T22:01:42Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。