論文の概要: A fast and Generic Energy-Shifting Transformer for Hybrid Monte Carlo Radiotherapy Calculation

• arxiv url: http://arxiv.org/abs/2604.09157v1
• Date: Fri, 10 Apr 2026 09:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.804149
• Title: A fast and Generic Energy-Shifting Transformer for Hybrid Monte Carlo Radiotherapy Calculation
• Title（参考訳）: モンテカルロハイブリッド放射線治療のための高速かつ汎用的なエネルギーシフト変換器
• Authors: Chi-Hieu Pham, Didier Benoit, Vincent Bourbonne, Ulrike Schick, Julien Bert,
• Abstract要約: 本稿では,エネルギシフト(Energy-Shifting)と呼ばれる加速モンテカルロ(MC)線量計算のための新しい学習フレームワークを提案する。 このアプローチはディープラーニングを利用して、6 MV TrueBeam Linear Accelerator (LINAC) 線量分布を同一ビーム構成の単エネルギー入力から直接合成する。 我々は,TransUNetSE3Dと呼ばれる新しい3Dアーキテクチャを提案し,グローバルコンテキストのためのTransformerブロックと適応チャネルワイド機能再構成のためのResidual Squeeze-and-Excitation (SE)モジュールを提案する。
• 参考スコア（独自算出の注目度）: 0.04015052464348864
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce a novel learning framework for accelerated Monte Carlo (MC) dose calculation termed Energy-Shifting. This approach leverages deep learning to synthesize 6 MV TrueBeam Linear Accelerator (LINAC) dose distributions directly from monoenergetic inputs under identical beam configurations. Unlike conventional denoising techniques, which rely on noisy low-count dose maps that compromise beam profile integrity, our method achieves superior cross-domain generalization on unseen datasets by integrating high-fidelity anatomical textures and source-specific beam similarity into the model's input space. Furthermore, we propose a novel 3D architecture termed TransUNetSE3D, featuring Transformer blocks for global context and Residual Squeeze-and-Excitation (SE) modules for adaptive channel-wise feature recalibration. Hierarchical representations of these blocks are fused into the network's latent space alongside the primary dose-map parameters, allowing physics-aware reconstruction. This hybrid design outperforms existing UNet and Transformer-based benchmarks in both spatial precision and structural preservation, while maintaining the execution speed necessary for real-time use. Our proposed pipeline achieves a Gamma Passing Rate exceeding 98% (3%/3mm) compared to the MC reference, evaluated within the framework of a treatment planning system (TPS) for prostate radiotherapy. These results offer a robust solution for fast volumetric dosimetry in adaptive radiotherapy.
• Abstract（参考訳）: 本稿では,エネルギシフト(Energy-Shifting)と呼ばれる加速モンテカルロ(MC)線量計算のための新しい学習フレームワークを提案する。 このアプローチはディープラーニングを利用して、6 MV TrueBeam Linear Accelerator (LINAC) 線量分布を同一ビーム構成の単エネルギー入力から直接合成する。 ビームプロファイルの整合性を損なうノイズの多い低数線量マップに依存する従来のデノナイジング手法とは異なり,本手法は,高忠実な解剖学的テクスチャとソース固有ビーム類似性をモデル入力空間に統合することにより,目に見えないデータセット上で優れたクロスドメイン一般化を実現する。 さらに,TransUNetSE3Dと呼ばれる新しい3Dアーキテクチャを提案し,グローバルコンテキストのためのTransformerブロックと適応的なチャネルワイド機能再構成のためのResidual Squeeze-and-Excitation (SE)モジュールを提案する。 これらのブロックの階層的表現は、一次線量マップパラメータと共にネットワークの潜在空間に融合され、物理を意識した再構成を可能にする。 このハイブリッド設計は、リアルタイム使用に必要な実行速度を維持しながら、空間精度と構造保存の両方において既存のUNetとTransformerベースのベンチマークより優れている。 前立腺放射線治療のための治療計画システム (TPS) の枠組みで評価したMC基準と比較して, ガンマ通過速度は98% (3%/3mm) 以上である。 これらの結果は適応放射線治療における高速な体積線量測定のための堅牢な解法である。

関連論文リスト

• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
  本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• Refined Temporal Pyramidal Compression-and-Amplification Transformer for 3D Human Pose Estimation [26.61672772233569]
  ビデオシーケンス中の人間の3Dポーズを正確に推定するには、精度とよく構造化されたアーキテクチャの両方が必要である。 本稿では,RTPCA(Refined Temporal Pyramidal Compression-and-Amplification)変換器を紹介する。 本稿では,Human3.6M,HumanEva-I,MPI-INF-3DHPベンチマーク上でのRTPCAの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-04T05:25:10Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
  MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。 3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
  論文  参考訳（メタデータ） (2021-04-26T11:04:43Z)

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。