論文の概要: Clinical DVH metrics as a loss function for 3D dose prediction in head and neck radiotherapy

• arxiv url: http://arxiv.org/abs/2603.29670v1
• Date: Tue, 31 Mar 2026 12:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.64864
• Title: Clinical DVH metrics as a loss function for 3D dose prediction in head and neck radiotherapy
• Title（参考訳）: 頭頸部放射線治療における3次元線量予測の損失関数としてのDVH測定値
• Authors: Ruochen Gao, Marius Staring, Frank Dankers,
• Abstract要約: 臨床用DVH線量損失 (CDM線量損失) について検討し, 臨床用DVH線量損失 (CDM線量損失) について検討した。 MAEおよびDVH曲線に基づく損失と比較すると、CDMの損失は目標範囲を大幅に改善し、臨床上の制約をすべて満たした。
• 参考スコア（独自算出の注目度）: 2.9445917534734054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Deep-learning-based three-dimensional (3D) dose prediction is widely used in automated radiotherapy workflows. However, most existing models are trained with voxel-wise regression losses, which are poorly aligned with clinical plan evaluation criteria based on dose-volume histogram (DVH) metrics. This study aims to develop a clinically guided loss formulation that directly optimizes clinically used DVH metrics while remaining computationally efficient for head and neck (H\&N) dose prediction. Methods: We propose a clinical DVH metric loss (CDM loss) that incorporates differentiable \textit{D-metrics} and surrogate \textit{V-metrics}, together with a lossless bit-mask region-of-interest (ROI) encoding to improve training efficiency. The method was evaluated on 174 H\&N patients using a temporal split (137 training, 37 testing). Results: Compared with MAE- and DVH-curve based losses, CDM loss substantially improved target coverage and satisfied all clinical constraints. Using a standard 3D U-Net, the PTV Score was reduced from 1.544 (MAE) to 0.491 (MAE + CDM), while OAR sparing remained comparable. Bit-mask encoding reduced training time by 83\% and lowered GPU memory usage. Conclusion: Directly optimizing clinically used DVH metrics enables 3D dose predictions that are better aligned with clinical treatment planning criteria than conventional voxel-wise or DVH-curve-based supervision. The proposed CDM loss, combined with efficient ROI bit-mask encoding, provides a practical and scalable framework for H\&N dose prediction.
• Abstract（参考訳）: 目的: 深層学習に基づく3次元線量予測は, 自動放射線治療ワークフローにおいて広く用いられている。 しかし、既存のモデルの多くは、ドーズボリュームヒストグラム(DVH)測定値に基づく臨床計画評価基準に適合しない、ボクセル単位の回帰損失で訓練されている。 本研究の目的は,頭部および頸部の線量予測に計算効率を保ちながら,臨床用DVH測定値を直接最適化する臨床ガイド付き損失定式化を開発することである。 方法: 本手法では, 臨床用DVH計数損失 (CDM損失) を, 学習効率を向上させるために, 可微分型 \textit{D-metrics} と surrogate \textit{V-metrics} と, ロスレスビットマスク領域 (ROI) の符号化とともに提案する。 時間分割法(訓練137例,検査37例)を用いてH&N174例について検討した。 結果: MAE-, DVH-curve-based lossと比較すると, CDM損失は対象範囲を大幅に改善し, 臨床上の制約をすべて満たした。 標準の3D U-Netを使用して、PTV Scoreは1.544 (MAE) から 0.491 (MAE + CDM) に削減された。 Bit-maskエンコーディングはトレーニング時間を83%削減し、GPUメモリ使用量を削減した。 結論: 臨床用DVH測定値を直接最適化することにより,従来のvoxel-wise や DVH-curve-based supervision よりも治療計画基準に適合した3次元線量予測が可能となる。 提案したCDM損失は、効率的なROIビットマスク符号化と組み合わせて、H&N線量予測のための実用的でスケーラブルなフレームワークを提供する。

関連論文リスト

• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Comprehensive Evaluation of OCT-based Automated Segmentation of Retinal Layer, Fluid and Hyper-Reflective Foci: Impact on Clinical Assessment of Diabetic Retinopathy Severity [0.0]
  糖尿病網膜症(DR)は視覚障害の主要な原因であり、不可逆的な損傷を防ぐために早期かつ正確な評価が必要である。 本研究では,網膜層の自動セグメンテーションのための能動的学習に基づくディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-03T07:23:56Z)
• Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
  肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。 従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
  論文  参考訳（メタデータ） (2024-11-27T05:15:55Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function [3.2653790770825686]
  ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。 本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-07T16:35:06Z)

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。