論文の概要: Robustness of Transformer-Based Fluence Map Prediction Under Clinically Realistic Perturbations

• arxiv url: http://arxiv.org/abs/2605.00904v1
• Date: Tue, 28 Apr 2026 21:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.469101
• Title: Robustness of Transformer-Based Fluence Map Prediction Under Clinically Realistic Perturbations
• Title（参考訳）: 臨床的現実的摂動下におけるトランスフォーマーを用いたフルエンスマップ予測のロバスト性
• Authors: Ujunwa Mgboh, Rafi Ibn Sultan, Joshua Kim, Kundan Thind, Dongxiao Zhu,
• Abstract要約: 本研究では, 解剖学(CT, 輪郭)を線量にマッピングし, ビームレットフルエンスマップに変換する2段階トランスフォーマーパイプラインについて検討した。 本研究では, フラエンス段変圧器のバックボーンと階層的, グローバル的, ハイブリッド的注目度を比較した。 その結果、中等度摂動下ではスムーズな劣化がみられたが、急激な回転と騒音下では急激な故障がみられた。
• 参考スコア（独自算出の注目度）: 4.066732323672965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-based fluence map prediction offers a fast alternative to iterative inverse planning in intensity-modulated radiation therapy (IMRT), but its robustness under realistic distribution shifts remains unclear. We study a two-stage transformer pipeline that maps anatomy (CT and contours) to dose and then to beamlet fluence maps. We compare fluence-stage transformer backbones with hierarchical, global, and hybrid attention, trained with a physics-informed loss enforcing energy consistency. Robustness is evaluated under geometric perturbations, radiometric noise, reduced training data, and domain shifts using a prostate IMRT dataset, with additional evaluation of the dose stage on public datasets. Results show smooth degradation under moderate perturbations but sharp failures under severe rotations and noise. Hierarchical transformers (e.g., SwinUNETR) exhibit slower growth in upper-quartile energy error, indicating improved robustness. We further show that SSIM alone fails to capture clinically relevant errors, highlighting the need for physics-informed evaluation.
• Abstract（参考訳）: 学習に基づくフルエンスマップ予測は、強度変調放射線療法(IMRT)における反復的逆計画の高速な代替手段を提供するが、現実的な分布シフト下での堅牢性は未だ不明である。 本研究では, 解剖学(CT, 輪郭)を線量にマッピングし, ビームレットフルエンスマップに変換する2段階トランスフォーマーパイプラインについて検討した。 我々は, フラエンスステージのトランスフォーマーバックボーンと階層的, グローバル, ハイブリットアテンションを比較した。 前立腺IMRTデータセットを用いて、幾何学的摂動、ラジオメトリックノイズ、トレーニングデータの削減、ドメインシフトに基づいてロバストネスを評価し、公共データセット上での線量ステージのさらなる評価を行う。 その結果、中等度摂動下ではスムーズな劣化がみられたが、急激な回転と騒音下では急激な故障がみられた。 階層変換器(例えばSwinUNETR)は、上四角形のエネルギー誤差が遅くなり、ロバスト性が向上したことを示す。 さらに,SSIMだけでは臨床的に関連のある誤りを捉えられず,物理インフォームド評価の必要性が強調される。

関連論文リスト

• CMR: Contractive Mapping Embeddings for Robust Humanoid Locomotion on Unstructured Terrains [30.85514738551041]
  本稿では,高次元で乱れやすい観測を潜在空間にマッピングする,ロバストネスのための契約マッピング(CMR)フレームワークを提案する。 CMRは、ノイズの増加の下で、他の移動アルゴリズムよりも強力な性能を発揮する。
  論文  参考訳（メタデータ） (2026-02-03T13:30:18Z)
• FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning [4.066732323672965]
  textbfFluenceFormerは、直接的かつ幾何学的に認識されるフレンス回帰のための、バックボーンに依存しないトランスフォーマーフレームワークである。 Swin UNETRを使用したFluenceFormerは、評価されたモデルの中で最強のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-27T01:12:15Z)
• An efficient approach with theoretical guarantees to simultaneously reconstruct activity and attenuation sinogram for TOF-PET [6.491602790776125]
  ポジトロン・エミッション・トモグラフィ(PET)では、身体内の定量的に正確な活動地図(軌跡分布)を得るために減衰補正を行うことが不可欠である。 飛行時間(TOF)-PETエミッションデータのみから活動と減衰のシングラムを同時に再構築する数学的モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-15T14:01:03Z)
• Heatmap Guided Query Transformers for Robust Astrocyte Detection across Immunostains and Resolutions [1.0405048273969084]
  局所特徴抽出と大域的文脈推論を組み合わせたハイブリッドCNNトランスフォーマ検出器を提案する。 熱マップ誘導クエリ機構は、小型および薄型アストロサイトのための空間的に接地されたアンカーを生成する。 このモデルは、より高速なR-CNN、YOLOv11、DETRを一貫して上回り、偽陽性が少ないほど高い感度を実現した。
  論文  参考訳（メタデータ） (2025-09-03T14:01:04Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• 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)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)

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。