論文の概要: A practical probabilistic framework for deformable image registration uncertainty in radiotherapy dose propagation

• arxiv url: http://arxiv.org/abs/2606.09253v1
• Date: Mon, 08 Jun 2026 09:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.896019
• Title: A practical probabilistic framework for deformable image registration uncertainty in radiotherapy dose propagation
• Title（参考訳）: 放射線治療用線量伝播における変形性画像登録の不確実性のための実用的確率的枠組み
• Authors: Stefan Heldmann, Sven Kuckertz, Nasim Givehchi, Thomas Coradi, Mikel Byrne, Ben Archibald-Heeren, Nils Papenberg,
• Abstract要約: 変形性画像登録(DIR)は放射線治療において線量伝播と蓄積に広く用いられている。 基礎となる変形の不確かさは臨床的に関連する線量推定に大きく影響する可能性がある。 本稿では,DIRの不確かさを線量統計学および線量ヒストグラムに伝播させるための実用的確率的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.08335944622646994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable image registration (DIR) is widely used in radiotherapy for dose propagation and accumulation, but uncertainty in the underlying deformation can substantially affect clinically relevant dose estimates. We present a practical probabilistic framework for propagating DIR uncertainty to voxel-wise dose statistics and dose-volume histograms (DVHs). The method models the mapped correspondence at each voxel as a random variable governed by a transparent local certainty map that can be defined by simple safety margins, structure-boundary mismatch, or structure-wise conservative uncertainty values. This yields interpretable quantities such as dose probabilities, expected dose, confidence bounds, and induced DVH envelopes. The framework is designed to remain lightweight and interpretable: it avoids complex biomechanical or ensemble-based uncertainty models and instead emphasizes simple parameterization, computational feasibility, and transparent dose metrics. We further introduce a structure-guided in/out strategy as an optional refinement that restricts mapping probabilities to anatomically plausible target regions. The approach is demonstrated on a prostate radiotherapy case study and used to compare different certainty-map strategies and probability kernels. The experiments show that the certainty-map design has a stronger effect on resulting dose and DVH uncertainty bounds than the specific kernel choice, while the additional benefit of the in/out strategy is case-dependent and modest in the present example. Overall, the proposed framework provides a transparent way to incorporate DIR uncertainty into radiotherapy dose assessment and to study how modelling choices affect propagated dose metrics.
• Abstract（参考訳）: 変形性画像登録(DIR)は放射線治療において線量伝播と蓄積に広く用いられているが、基礎となる変形の不確実性は臨床的に関連する線量推定に大きく影響する可能性がある。 ボクセル単位の線量統計と線量ヒストグラム(DVHs)にDIRの不確かさを伝播させるための実用的確率的枠組みを提案する。 この方法は、各ボクセルでマッピングされた対応を、単純な安全マージン、構造境界ミスマッチ、構造的に保守的な不確実性値によって定義される透明な局所確実性マップによって支配されるランダム変数としてモデル化する。 これにより、線量確率、期待線量、信頼境界、誘導されたDVHエンベロープなどの解釈可能な量が得られる。 このフレームワークは軽量で解釈可能なように設計されており、複雑なバイオメカニカルやアンサンブルに基づく不確実性モデルを避け、代わりに単純なパラメータ化、計算可能性、透明な線量測定に重点を置いている。 さらに、構造誘導型イン/アウト戦略を、解剖学的に妥当な対象領域へのマッピング可能性を制限するオプション改良として導入する。 このアプローチは前立腺放射線治療のケーススタディで実証され、異なる確実性マップ戦略と確率カーネルを比較するために使用される。 実験により、確実性マップの設計は特定のカーネル選択よりも線量やDVHの不確実性に強い影響を持つことが示されたが、イン/アウト戦略のさらなる利点はケース依存であり、本例では控えめである。 全体として、提案するフレームワークは、DIRの不確実性を放射線治療用量評価に組み込むための透過的な方法を提供し、モデリング選択が伝播用量測定にどのように影響するかを研究する。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification [11.21639536740362]
  コンボリューション(ResNet)とトランスフォーマー(Vision Transformer)アーキテクチャにおける13の不確実性定量化手法を評価する。 Evidential Deep Learning, HetClass NNs, Deep Deterministic Uncertaintyをマルチラベル設定に拡張する。
  論文  参考訳（メタデータ） (2025-08-06T13:58:17Z)
• Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of Right Ventricular Volume [0.5492530316344587]
  右室機能低下は,多くの状況において臨床効果を強く予測する。 本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。 提案手法は意思決定プロセスの強化とリスク低減に有効である。
  論文  参考訳（メタデータ） (2024-03-04T12:36:31Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。