論文の概要: Anticipatory Digital Twins for Online Head-and-Neck Adaptive Proton Therapy via Foundation-Model Registration

• arxiv url: http://arxiv.org/abs/2608.00831v1
• Date: Sat, 01 Aug 2026 19:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.952465
• Title: Anticipatory Digital Twins for Online Head-and-Neck Adaptive Proton Therapy via Foundation-Model Registration
• Title（参考訳）: 基礎モデル登録によるオンラインヘッド・アンド・ネック適応プロトン治療の予測
• Abstract要約: 頭頸部(HN)プロトン療法は,4～6週間の解剖学的変化に非常に敏感である。 オンライン適応プロトン療法は、その日の解剖に基づいて計画を立てるが、標準はオフラインの計画に頼っている。 患者固有のトレーニングを使わずに,事前トレーニングされた基礎モデル変形可能な登録ネットワーク上に構築されたデジタルツインフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.0292027058097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Head-and-neck (HN) proton therapy is highly sensitive to anatomical change over a 4-to-6-week course, as tumor shrinkage, weight loss, and setup variation can misposition the Bragg peak near critical organs such as the parotids, oral cavity, brainstem, and spinal cord, leading to target underdosing or organ-at-risk overdosing. Online adaptive proton therapy replans on the anatomy of the day, yet standard workflows rely on offline replanning that requires repeated CT acquisition and roughly a week of preparation, adding burden, cost, and delay. We investigate whether a patient's treatment-day anatomy can be predicted before image acquisition by transferring longitudinal change from a population database. We propose a digital-twin framework built on a pretrained foundation-model deformable registration network used without patient-specific training. A first registration aligns a prior patient's planning CT to the target and carries the prior's during-treatment quality assurance CT (QACT) into the target frame; a second registration estimates the prior's planning-to-QACT change, which is then applied to the target's own planning CT to synthesize predicted CTs (pdCTs) with propagated contours. Using 88 HN patients, each with a planning CT and three QACTs, we show that pdCTs better match treatment-day anatomy than the static planning CT. Compared with the planning CT alone, normalized cross-correlation improves by 22.8%, Dice for organs-at-risk by 20.2%, and CT-number error decreases by 23.4%. Gains are largest for patients with major anatomical change and negligible when anatomy is stable. This cross-patient motion transfer leverages the digital-twin concept to anticipate treatment-day anatomy, enabling personalized online adaptive proton therapy without repeated imaging.
• Abstract（参考訳）: 頭頸部(HN)プロトン療法は、腫瘍の収縮、体重減少、設定の変動が、耳下腺、口腔、脳幹、脊髄などの重要な臓器の近くでブラッグピークを誤る可能性があるため、4週間から6週間の解剖学的変化に非常に敏感である。 オンライン適応プロトン療法は、その日の解剖をリプランするが、標準的なワークフローは、反復的なCT取得と約1週間の準備を必要とするオフラインのリプランに依存し、負担、コスト、遅延を追加する。 本研究では, 画像取得に先立って患者の治療日時解剖を予測できるかどうかを, 人口データベースから経時変化を転送することによって検討する。 患者固有のトレーニングを使わずに,事前トレーニングされた基礎モデル変形可能な登録ネットワーク上に構築されたデジタルツインフレームワークを提案する。 第1の登録は、前患者の計画CTを目標に整列させ、前者の中間処理品質保証CT(QACT)を目標フレームに搬送し、第2の登録は、前者の計画CTに適用される前者の計画品質変化を推定し、予測されたCT(pdCT)を伝搬輪郭で合成する。 計画CTと3つのQACTを併用した88例のHN患者を用いて,pdCTは静的な計画CTよりも治療日時解剖に適合することが示唆された。 計画CT単独と比較して、正規化された相互相関は22.8%改善し、臓器のリスクは20.2%減少し、CT数エラーは23.4%減少する。 利得は解剖学的変化の大きな患者にとって最大であり、解剖学が安定している場合は無視できる。 この患者間移動は、デジタルツインの概念を活用して、治療日の解剖を予測し、反復的な画像化なしに、パーソナライズされたオンライン適応プロトン治療を可能にする。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Patient-Specific Deep Reinforcement Learning for Automatic Replanning in Head-and-Neck Cancer Proton Therapy [8.677300387603356]
  頭頸部癌(HNC)に対するIMPT治療中の解剖学的変化は、ブラッグピークをシフトさせ、腫瘍のアンダードと臓器-アット・リスクオーバードーシングのリスクを負う。 本稿では,IMPT自動更新のための患者固有の深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-11T18:00:06Z)
• Segmentation-Guided CT Synthesis with Pixel-Wise Conformal Uncertainty Bounds [2.424469485586727]
  コーンビームCT(CBCT)は、適応放射線療法(ART)全体を通して、線量計算を改善するためのsCTを生成する。 CBCTは深刻なアーチファクトと画質の低下に悩まされており、正確な線量測定には適さない。 深層学習に基づくCBCT-to-CT翻訳が有望なアプローチとして登場した。 本稿では2つの重要なコンポーネントを統合する新しいフレームワークであるSTF-RUEを提案する。
  論文  参考訳（メタデータ） (2025-03-11T15:07:16Z)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
  術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。 我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
  論文  参考訳（メタデータ） (2023-02-08T15:41:21Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk Prediction for Radiotherapy [12.05638699290782]
  畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。 将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。 私たちは2つの放射線治療データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2021-06-16T18:29:16Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Patient-Specific Finetuning of Deep Learning Models for Adaptive Radiotherapy in Prostate CT [1.3124513975412255]
  OAR(Organs-At-Risk)は放射線治療計画において重要なステップである。 本研究では、治療セッションに蓄積されたパーソナライズされた解剖学的知識を活用し、事前学習された畳み込みニューラルネットワーク(CNN)のセグメンテーション精度を向上させる。 そこで我々は, より早い治療率で得られた画像に基づいて, CNNモデルを特定の患者に微調整するトランスファーラーニングアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-02-17T12:53:37Z)

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。