論文の概要: ScribbleDose: Scribble-Guided Dose Prediction in Radiotherapy

• arxiv url: http://arxiv.org/abs/2605.11555v2
• Date: Fri, 15 May 2026 09:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:45.688126
• Title: ScribbleDose: Scribble-Guided Dose Prediction in Radiotherapy
• Title（参考訳）: ScribbleDose: 放射線治療におけるScribble-Guided Dose Prediction
• Abstract要約: スパース・スクリブルを付加した解剖学的構造にのみ依存するスクリブル誘導線量予測フレームワークを提案する。 提案手法は,アノテーションのコストを大幅に削減しつつ,優れた線量予測性能を維持していることを示す。
• 参考スコア（独自算出の注目度）: 13.537952928036775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anatomical structure masks are widely adopted in radiotherapy dose prediction, as they provide explicit geometric constraints that facilitate structure-dose coupling. However, conventional manual delineation of these masks requires precise annotation of structure boundaries relevant to radiotherapy, which is time-consuming and labor-intensive. To address these limitations, we propose a scribble-guided dose prediction framework that relies solely on anatomical structures annotated with sparse scribbles. Specifically, we design a Scribble Completion Module (SCM) to generate dense anatomical masks by propagating sparse scribble labels to semantically similar voxels. During the propagation process, a supervoxel-based regularization is introduced to preserve geometric boundary consistency to ensure anatomical plausibility. Furthermore, we propose a Structure-Guided Dose Generation Module (SGDGM) to strengthen the correspondence between sparse structural cues and dose distribution. Herein, the completed dense masks derived from scribbles serve as structural guidance to condition the dose prediction network. This scribble-mask-dose consistency encourages high-dose concentration within target volumes while effectively sparing surrounding organs-at-risk. Extensive experiments on the open-source GDP-HMM dataset demonstrate that the proposed method maintains superior dose prediction performance while substantially reducing annotation cost, providing a practical paradigm for dose prediction under sparse structural annotation. The code and reannotated scribbles are made publicly available at https://github.com/iCherishxixixi/ScribbleDose.
• Abstract（参考訳）: 解剖学的構造マスクは、構造とドーズのカップリングを促進する明示的な幾何学的制約を提供するため、放射線治療の線量予測において広く採用されている。 しかしながら、従来の手動によるこれらのマスクのデライン化には、放射線治療に関連する構造境界の正確なアノテーションが必要である。 これらの制約に対処するために,スパース・スクリブルを付加した解剖学的構造のみに依存するスクリブル誘導線量予測フレームワークを提案する。 具体的には, Scribble Completion Module (SCM) を設計し, スパーススクリブルラベルを意味的に類似したボクセルに伝播させることにより, 密度の高い解剖マスクを生成する。 伝播過程の間、幾何学的境界の整合性を保つために超ボクセルベースの正則化を導入し、解剖学的妥当性を確保する。 さらに,スパース構造キューと線量分布の対応性を高めるために,構造ガイドドーズ生成モジュール(SGDGM)を提案する。 ここでは、スクリブルから派生した完成された密集マスクが、線量予測ネットワークの条件付けのための構造的ガイダンスとして機能する。 このスクリブル・マスク・ドーズ整合性は、標的体積内の高線量濃度を促進させ、周囲の臓器をリスクに効果的に分散させる。 オープンソースのGDP-HMMデータセットに対する大規模な実験により,提案手法はアノテーションコストを大幅に削減しつつ,優れた線量予測性能を維持し,スパークスな構造アノテーションの下での線量予測の実践的パラダイムを提供することを示した。 コードと再注釈されたスクリブルはhttps://github.com/iCherishxixi/ScribbleDose.comで公開されている。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Dense Structural Priors for Sparse Functional Landmark Localization in Surgical Videos [6.6344199526412195]
  SAM 3のような視覚基盤モデルは、様々な手術ビデオ条件で伝達可能なオブジェクトレベル構造を提供することができる。 本稿では,SAM 3 を先行構造として用いる軽量化フレームワークを提案する。 粗いマルチフレームネットワークは、先端とアンカーのプロンプトを予測する。
  論文  参考訳（メタデータ） (2026-06-30T00:50:46Z)
• AnchorDiff: Topology-Aware Masked Diffusion with Confidence-based Rewriting for Radiology Report Generation [2.2748974006378933]
  医用画像から臨床的に正確なテキストレポートを自動生成することを目的とする。 既存の手法は自己回帰(AR)言語モデルに依存しており、因果依存性構造は生成を一方向の左から右へのプロセスに制限する。 本稿では,知識グラフに基づく臨床アンカーを拡散言語モデリングに統合したRRGのための最初のマスク付き拡散フレームワークであるAnchorDiffを提案する。
  論文  参考訳（メタデータ） (2026-05-16T16:42:43Z)
• ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision [15.414625894259844]
  本稿では, 優れたスクリブルアノテーションの原理を考察し, 教師とシミュレーションによる効率的なランダムネス形式を導出する。 本研究では,空間関係と形状制約を符号化する正規化項を導入し,EMアルゴリズムを用いてラベルの混合比を推定する。 我々は、ZScribbleSegと呼ばれるフレームワークに事前の効率的な監視を統合し、それを複数のシナリオに適用する。
  論文  参考訳（メタデータ） (2026-05-07T13:41:15Z)
• Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
  本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。 我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。 SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-04-07T04:19:39Z)
• Mask-HybridGNet: Graph-based segmentation with emergent anatomical correspondence from pixel-level supervision [5.993347590895742]
  Mask-HybridGNetは,標準画素マスクを用いてグラフモデルを直接トレーニングするフレームワークである。 提案手法は可変長基底真理境界と固定長ランドマーク予測とを一致させる。 高品質なピクセルベースモデルから安定な解剖学的アトラスを生成する。
  論文  参考訳（メタデータ） (2026-02-24T18:29:13Z)
• Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework [66.59051888063665]
  ネットワーク上の因果推論のための新しい部分同定フレームワークを提案する。 露光マッピングの誤用下では, 直接的および漏出的効果に対して, 鋭い上下境界を導出する。 実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。
  論文  参考訳（メタデータ） (2026-02-03T12:27:11Z)
• Granular-ball Guided Masking: Structure-aware Data Augmentation [97.18560547134587]
  Granular-ball Guided Masking (GBGM) は、Granular-ball Computing (GBC) によって誘導される構造対応強化戦略である。 GBGMは、粗い階層的なマスキングプロセスを通じて冗長な領域を抑えながら、意味的に豊富で構造上重要な領域を適応的に保存する。 複数のベンチマークの実験では、分類精度とマスク画像再構成が一貫した改善が示されている。
  論文  参考訳（メタデータ） (2025-12-24T07:15:33Z)
• PharmaShip: An Entity-Centric, Reading-Order-Supervised Benchmark for Chinese Pharmaceutical Shipping Documents [18.836762489296103]
  PharmaShipは、実世界の中国のスキャンされた医薬品の出荷文書のデータセットです。 PharmaShipは、ノイズの多いOCRとヘテロジニアステンプレートの下で、事前訓練されたテキスト指向モデルをストレステストするために設計されている。
  論文  参考訳（メタデータ） (2025-11-29T06:55:45Z)
• PPBoost: Progressive Prompt Boosting for Text-Driven Medical Image Segmentation [56.238478239463575]
  PPBoostは弱いテキスト由来の信号を強く、空間的に接地された視覚的プロンプトに変換する。 画像やピクセルレベルのセグメンテーションラベルを持たない厳格なゼロショット方式で動作する。 テキストや視覚的にプロンプトされたベースラインよりも、Diceと正規化されたSurface Distanceを一貫して改善する。
  論文  参考訳（メタデータ） (2025-11-26T23:49:44Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• ROSE: Revolutionizing Open-Set Dense Segmentation with Patch-Wise Perceptual Large Multimodal Model [75.750699619993]
  本稿では,高密度マスク予測とオープンカテゴリ生成が可能な,革命的オープンセット高密度セグメンテーションLMMであるROSEを提案する。 本手法は,各画像パッチを関心領域の独立領域として扱い,密集マスクとスパースマスクを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-29T07:00:18Z)
• Point-supervised Brain Tumor Segmentation with Box-prompted MedSAM [11.861051009791224]
  セマンティック・アウェア・ポイント管理型MedSAMを実現するための反復的フレームワークを提案する。 Box-prompt generator (SBPG)モジュールは、ポイント入力を潜在的に擬似境界ボックス提案に変換する能力を持つ。 Prompt-Guided Space refinement (PGSR)モジュールは、MedSAMの例外的な一般化性を利用して、セグメンテーションマスクを推測する。
  論文  参考訳（メタデータ） (2024-08-01T16:52:39Z)
• Structure-Preserving Synthesis: MaskGAN for Unpaired MR-CT Translation [6.154777164692837]
  MaskGANは、自動的に抽出された粗いマスクを利用して構造整合性を強化する新しいフレームワークである。 本手法では, マスクジェネレータを用いて解剖学的構造を概説し, コンテントジェネレータを用いてCTコンテンツを合成する。
  論文  参考訳（メタデータ） (2023-07-30T06:43:09Z)
• RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
  本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。 RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。 提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
  論文  参考訳（メタデータ） (2023-03-01T03:15:31Z)
• ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation [16.188681108101196]
  弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。 既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。 空間的関係と形状を事前にエンコードする正規化項を導入する。 我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
  論文  参考訳（メタデータ） (2023-01-12T09:00:40Z)
• Learning compositional structures for semantic graph parsing [81.41592892863979]
  本稿では、AM依存性解析をニューラル潜在変数モデルで直接トレーニングする方法を示す。 本モデルでは,いくつかの言語現象を独自に把握し,教師あり学習に匹敵する精度を達成している。
  論文  参考訳（メタデータ） (2021-06-08T14:20:07Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。