論文の概要: Learning to Optimize Radiotherapy Plans via Fluence Maps Diffusion Model Generation and LSTM-based Optimization
- arxiv url: http://arxiv.org/abs/2605.13713v1
- Date: Wed, 13 May 2026 16:00:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.161303
- Title: Learning to Optimize Radiotherapy Plans via Fluence Maps Diffusion Model Generation and LSTM-based Optimization
- Title（参考訳）: フルエンスマップ拡散モデル生成とLSTMに基づく最適化による放射線治療計画の最適化
- Authors: Isabella Poles, Simon Arberet, Riqiang Gao, Martin Kraus, Marco D. Santambrogio, Florin C. Ghesu, Ali Kamen, Dorin Comaniciu,
- Abstract要約: ボリューム変調アーク療法(VMAT)は、現代の放射線治療の基礎となっている。
プランニングは、マルチリーフコリメータ、モニターユニット、線量パラメータの逆最適化とネスト最適化を解く。
エンドツーエンドVMAT計画のための拡散駆動型ラーニング・ツー・マッチング(L2O)手法を提案する。
- 参考スコア（独自算出の注目度）: 6.904962529448256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volumetric Modulated Arc Therapy (VMAT) is a cornerstone of modern radiation therapy, enabling highly conformal tumor irradiation and healthy-tissue sparing. Yet, its planning solves inverse and nested optimization for multi-leaf collimators, monitor units and dose parameters, while enforcing their consistency to ensure mechanical deliverability. Nevertheless, this process often requires repeated re-optimization when treatment configurations change, resulting in substantial planning time per patient. To address these problems, we present a diffusion-driven Learning-to-Optimize (L2O) method for end-to-end VMAT planning. A distribution-matching distilled diffusion model learns a clinically feasible manifold of fluence maps, enabling their one-shot generation. On top of this, an LSTM-based L2O module learns gradient update dynamics to swiftly refine fluence maps toward prescribed dose objectives during inference. Experimental results on clinical and public prostate cancer cohorts demonstrate improved planning efficiency, flexibility, and machine deliverability over currently available end-to-end VMAT planners.
- Abstract（参考訳）: Volumetric Modulated Arc Therapy (VMAT) は、放射線治療の基礎であり、高度にコンフォーマルな腫瘍照射と健康な発散を可能にする。
しかし、その計画では、マルチリーフコリメータの逆最適化とネスト最適化、ユニットと線量パラメータの監視、機械的配送性を確保するための一貫性の強化が実現されている。
にもかかわらず、このプロセスは治療構成が変化したときに繰り返し再最適化を必要とし、結果として患者1人あたりの計画時間が大幅に短縮される。
これらの問題に対処するため,VMAT計画のための拡散駆動学習最適化(L2O)手法を提案する。
分布マッチング蒸留拡散モデルでは, 臨床的に実現可能なフルエンスマップの多様体を学習し, ワンショット生成を可能にする。
これに加えて、LSTMベースのL2Oモジュールは勾配更新ダイナミクスを学習し、推論中に所定の線量目標に向かって高速にフルエンスマップを洗練する。
臨床および公開前立腺癌コホートの実験結果から,現在利用可能なVMATプランナよりも計画効率,柔軟性,マシンの納入性が改善された。
関連論文リスト
- Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。
尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。
そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-24T06:14:55Z) - CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。
時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
論文 参考訳（メタデータ） (2025-12-08T20:42:10Z) - An Iterative LLM Framework for SIBT utilizing RAG-based Adaptive Weight Optimization [11.168299220031662]
本研究では,大規模言語モデル(LLM)によって駆動されるSIBT計画のための適応重み付け最適化フレームワークを提案する。
検索強化世代(RAG)を介して構築およびクエリされた臨床知識ベースは、モデルのドメイン固有の推論を強化する。
提案法は23例の患者に対して検証され, LLM によるアプローチが臨床承認および固定重量計画に匹敵する, あるいは超過した計画を生み出すことが示された。
論文 参考訳（メタデータ） (2025-09-10T08:54:16Z) - A learning-driven automatic planning framework for proton PBS treatments of H&N cancers [2.0765076553348316]
逆パラメータは、タスク固有のデータ分布から学習することで更新ステップを予測する学習最適化(L2O)手法である。
実験では、両側または同側性H&N癌に合併した97人の患者を訓練と検査のために収集した。
論文 参考訳（メタデータ） (2025-08-14T21:50:31Z) - Physics-Guided Radiotherapy Treatment Planning with Deep Learning [27.620227899075022]
放射線治療計画のための2段階物理誘導深層学習パイプラインを提案する。
前立腺癌133例に対して,均一な2-arc VMATプロトコルを用いてアプローチを訓練し,評価した。
論文 参考訳（メタデータ） (2025-06-23T19:44:56Z) - Transforming Multimodal Models into Action Models for Radiotherapy [39.682133213072554]
放射線治療は重要ながん治療であり、腫瘍の保存と健康な組織の根絶のバランスをとるための正確な計画が必要である。
伝統的な治療計画(TP)は、反復的で、時間がかかり、人間の専門知識に依存している。
本稿では,MLM(Multimodal foundation model)を,数発の強化学習アプローチを用いたアクションモデルに変換するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-06T09:51:28Z) - Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳（メタデータ） (2024-02-05T08:25:22Z) - End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。
このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。
クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
論文 参考訳（メタデータ） (2023-11-27T14:49:06Z) - A feasibility study of a hyperparameter tuning approach to automated
inverse planning in radiotherapy [68.8204255655161]
本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。
本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。
100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
論文 参考訳（メタデータ） (2021-05-14T18:37:00Z)
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。