論文の概要: A Multimodal Clinically Informed Coarse-to-Fine Framework for Longitudinal CT Registration in Proton Therapy

• arxiv url: http://arxiv.org/abs/2604.13397v1
• Date: Wed, 15 Apr 2026 01:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.349838
• Title: A Multimodal Clinically Informed Coarse-to-Fine Framework for Longitudinal CT Registration in Proton Therapy
• Title（参考訳）: プロトン治療における経時的CTレジストレーションのための多モード臨床応用粗大化フレームワーク
• Authors: Caiwen Jiang, Yuzhen Ding, Mi Jia, Samir H. Patel, Terence T. Sio, Jonathan B. Ashman, Lisa A. McGee, Jean-Claude M. Rwigema, William G. Rule, Sameer R. Keole, Sujay A. Vora, William W. Wong, Nathan Y. Yu, Michele Y. Halyard, Steven E. Schild, Dinggang Shen, Wei Liu,
• Abstract要約: 本稿では,プロトン放射線治療ワークフローからのマルチモーダル情報を統合する,臨床的にスケーラブルな粗大な変形可能な登録フレームワークを提案する。 1,222のペアプランニングと反復CTスキャンを組み合わせた大規模プロトン治療DIRデータセットについて,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 27.805885604088463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proton therapy offers superior organ-at-risk sparing but is highly sensitive to anatomical changes, making accurate deformable image registration (DIR) across longitudinal CT scans essential. Conventional DIR methods are often too slow for emerging online adaptive workflows, while existing deep learning-based approaches are primarily designed for generic benchmarks and underutilize clinically relevant information beyond images. To address this gap, we propose a clinically scalable coarse-to-fine deformable registration framework that integrates multimodal information from the proton radiotherapy workflow to accommodate diverse clinical scenarios. The model employs dual CNN-based encoders for hierarchical feature extraction and a transformer-based decoder to progressively refine deformation fields. Beyond CT intensities, clinically critical priors, including target and organ-at-risk contours, dose distributions, and treatment planning text, are incorporated through anatomy- and risk-guided attention, text-conditioned feature modulation, and foreground-aware optimization, enabling anatomically focused and clinically informed deformation estimation. We evaluate the proposed framework on a large-scale proton therapy DIR dataset comprising 1,222 paired planning and repeat CT scans across multiple anatomical regions and disease types. Extensive experiments demonstrate consistent improvements over state-of-the-art methods, enabling fast and robust clinically meaningful registration.
• Abstract（参考訳）: プロトン療法は優れた臓器-リスク間隔を提供するが、解剖学的変化に非常に敏感であり、経時的CTスキャンで正確な変形性画像登録(DIR)が必須である。 従来のDIR手法は、新しいオンライン適応ワークフローには遅すぎることが多いが、既存のディープラーニングベースのアプローチは、主に一般的なベンチマークのために設計され、画像以外の臨床的に関係のある情報を不活用している。 このギャップに対処するために,プロトン放射線治療ワークフローから多モード情報を統合し,多様な臨床シナリオに対応する,臨床拡張性の高い粗大な変形性登録フレームワークを提案する。 このモデルは、階層的特徴抽出にデュアルCNNベースのエンコーダと、変形場を漸進的に洗練するためにトランスフォーマーベースのデコーダを用いる。 CT強度以外にも、標的および臓器とリスクの輪郭、線量分布、治療計画テキストを含む臨床的に重要な先行情報が解剖学的およびリスク誘導された注意、テキスト条件付き特徴変調、前景認識最適化を通じて組み込まれ、解剖学的に焦点が当てられ、臨床にインフォメーションされた変形推定を可能にする。 1,222のペアプランニングとCTスキャンを併用した大規模プロトン治療用DIRデータセットについて,複数の解剖学的領域と疾患タイプにまたがって検討した。 大規模な実験は最先端の手法よりも一貫した改善を示し、迅速かつ堅牢な臨床的に意味のある登録を可能にした。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models [3.295369583957252]
  CARSは臨床特徴ベクトルに標的摂動を適用し、病理所見の挿入と削除を制御できる。 CARS生成画像の微調整は、精度・リコール性能を一貫して改善し、予測の不確実性を低減し、モデルの校正を改善する。
  論文  参考訳（メタデータ） (2026-03-16T16:48:51Z)
• A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
  糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価 強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。 臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-14T09:32:44Z)
• Attention-Driven Framework for Non-Rigid Medical Image Registration [15.540035635369504]
  非デジタル医用画像登録のための新しい注意駆動フレームワーク(AD-RegNet)を提案する。 提案手法は3次元UNetバックボーンと双方向のクロスアテンションを組み合わせることで,動画像と固定画像との対応関係を複数スケールで確立する。 提案手法は,登録精度と計算効率のバランスを良好に保ち,臨床応用に適している。
  論文  参考訳（メタデータ） (2026-02-06T09:23:37Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• A Self-supervised Multimodal Deep Learning Approach to Differentiate Post-radiotherapy Progression from Pseudoprogression in Glioblastoma [5.98776969609135]
  グリオ芽腫(GBM)に対する放射線治療後のPsPとTrue Progression(TP)の正確な鑑別は最適な治療計画に不可欠である。 本研究では, 日常的な解剖学的MRI画像, 臨床パラメータ, RT治療計画情報からの補完情報を利用して, 予測精度を向上させるマルチモーダル深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-06T11:57:57Z)
• Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration [12.861503169117208]
  マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。 周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。 対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
  論文  参考訳（メタデータ） (2021-04-14T18:07:03Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。