論文の概要: DoseRAD2026 Challenge dataset: AI accelerated photon and proton dose calculation for radiotherapy
- arxiv url: http://arxiv.org/abs/2604.12778v1
- Date: Tue, 14 Apr 2026 14:16:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.490966
- Title: DoseRAD2026 Challenge dataset: AI accelerated photon and proton dose calculation for radiotherapy
- Title（参考訳）: DoseRAD2026 チャレンジデータセット: 放射線治療のためのAI加速光子と陽子線量計算
- Abstract要約: DoseRAD2026データセットと課題は、ペア化されたCTとMRIデータの公開ベンチマークを提供する。
このデータセットは、胸部や腹部の病変に対してMRIライナックで治療した115例(75例のトレーニング、40例の検査)のCTとMRIのペアを含む。
- 参考スコア（独自算出の注目度）: 5.120161774133747
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Purpose: Accurate dose calculation is essential in radiotherapy for precise tumor irradiation while sparing healthy tissue. With the growing adoption of MRI-guided and real-time adaptive radiotherapy, fast and accurate dose calculation on CT and MRI is increasingly needed. The DoseRAD2026 dataset and challenge provide a public benchmark of paired CT and MRI data with beam-level photon and proton Monte Carlo dose distributions for developing and evaluating advanced dose calculation methods. Acquisition and validation methods: The dataset comprises paired CT and MRI from 115 patients (75 training, 40 testing) treated on an MRI-linac for thoracic or abdominal lesions, derived from the SynthRAD2025 dataset. Pre-processing included deformable image registration, air-cavity correction, and resampling. Ground-truth photon (6 MV) and proton dose distributions were computed using open-source Monte Carlo algorithms, yielding 40,500 photon beams and 81,000 proton beamlets. Data format and usage notes: Data are organized into photon and proton subsets with paired CT-MRI images, beam-level dose distributions, and JSON beam configuration files. Files are provided in compressed MetaImage (.mha) format. The dataset is released under CC BY-NC 4.0, with training data available from April 2026 and the test set withheld until March 2030. Potential applications: The dataset supports benchmarking of fast dose calculation methods, including beam-level dose estimation for photon and proton therapy, MRI-based dose calculation in MRI-guided workflows, and real-time adaptive radiotherapy.
- Abstract（参考訳）: 目的: 放射線治療において, 正確な線量計算が重要である。
MRI誘導およびリアルタイム適応放射線療法の採用が進むにつれ、CTおよびMRIの高速かつ正確な線量計算の必要性が高まっている。
DoseRAD2026データセットと課題は、ビームレベルの光子とプロトンであるモンテカルロ線量分布を用いて、CTとMRIの2つのデータをベンチマークして、高度な線量計算法の開発と評価を行う。
取得と検証方法: このデータセットは、SynthRAD2025データセットから派生した胸部・腹部病変に対するMRI-linacで治療された115例(75トレーニング、40テスト)のCTとMRIのペアからなる。
事前処理には、変形可能な画像登録、空洞補正、再サンプリングが含まれていた。
地中光子 (6 MV) と陽子線量分布は、オープンソースのモンテカルロアルゴリズムを用いて計算され、40,500光子ビームと81,000陽子ビームレットが得られた。
データフォーマットと使用法注: データは、ペア化されたCT-MRI画像、ビームレベルの線量分布、JSONビーム構成ファイルを備えた、光子と陽子サブセットに分割される。
ファイルは圧縮されたMetaImage (.mha)フォーマットで提供される。
データセットはCC BY-NC 4.0でリリースされ、トレーニングデータは2026年4月から利用可能で、テストは2030年3月まで継続される。
潜在的な応用: このデータセットは、光子と陽子療法のためのビームレベル線量推定、MRI誘導ワークフローにおけるMRIベースの線量計算、リアルタイム適応放射線療法などの高速線量計算方法のベンチマークをサポートする。
関連論文リスト
- Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma [0.0]
人工知能(AI)の最近の進歩は、臨床データから条件付きマルチモーダル画像の生成を可能にする。
そこで本研究では, トラクタル内腫瘍におけるAIによる追跡MRIの生成について検討した。
論文 参考訳（メタデータ） (2026-03-09T13:43:58Z) - EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT)
CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-09-26T05:51:59Z) - JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。
従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。
本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
論文 参考訳（メタデータ） (2025-05-12T23:32:21Z) - TrackRAD2025 challenge dataset: Real-time tumor tracking for MRI-guided radiotherapy [2.45070347370137]
このデータセットは、6つのセンターから585人の患者に2D cine MRIの矢状画像から作成されている。
より正確な運動管理と適応的な治療戦略を可能にすることにより、このデータセットは放射線治療の分野を著しく前進させる可能性がある。
論文 参考訳（メタデータ） (2025-03-24T20:14:42Z) - Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [42.75913504373651]
TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。
深層学習はRTをパーソナライズすることを約束する。
現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
論文 参考訳（メタデータ） (2025-03-07T12:21:09Z) - SynthRAD2025 Grand Challenge dataset: generating synthetic CTs for radiotherapy [0.0]
SynthRAD2025データセットとグランドチャレンジは、合成CT生成の進歩を促進する。
対象は, 頭頸部癌, 胸部癌, 腹部癌患者の890例 (CBCTCT) と1472例 (CBCTCT) の2362例である。
データはMetaImage(mha)フォーマットで提供され、医療画像処理ツールとの互換性を確保する。
論文 参考訳（メタデータ） (2025-02-24T19:53:09Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - SynthRAD2023 Grand Challenge dataset: generating synthetic CT for
radiotherapy [0.0]
本稿では,厳密に登録されたCBCTおよびMRI画像を用いた脳・骨盤CT画像のデータセットについて述べる。
このデータセットは、オランダの3つの大学医療センターの540人の脳と540人の骨盤放射線治療患者のCT、CBCT、MRIで構成されている。
論文 参考訳（メタデータ） (2023-03-28T21:38:25Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z)
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。