論文の概要: Automatic Patient-Specific Microwave Ablation Planning Accelerated by a Physics-Guided Deep Learning Model

• arxiv url: http://arxiv.org/abs/2608.03086v1
• Date: Tue, 04 Aug 2026 03:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.024585
• Title: Automatic Patient-Specific Microwave Ablation Planning Accelerated by a Physics-Guided Deep Learning Model
• Title（参考訳）: 物理誘導深層学習モデルによる患者特異的マイクロ波アブレーション自動計画
• Abstract要約: 本稿では,ニューラルアブレーション予測モデルと遺伝的アルゴリズムを組み合わせたデジタルツインベース自動計画フレームワークを提案する。 このフレームワークは数値シミュレーションベースの計画よりも約420倍高速な計画を可能にした。
• 参考スコア（独自算出の注目度）: 2.2301454158576135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microwave ablation (MWA) is a promising minimally invasive treatment for liver tumors, but its therapeutic outcome strongly depends on patient-specific planning of antenna insertion trajectory, power, and treatment duration. Accurate numerical simulation can provide physically reliable ablation predictions; however, its high computational cost limits its use in optimization-based planning, where repeated forward evaluations are required. To address this issue, we propose a digital twin-based automatic planning framework that combines a neural ablation prediction model with a genetic algorithm. The model was trained on multiphysics simulation data generated from patient-specific tumor and vessel structures, antenna configurations, and treatment conditions, and was used as a fast forward model during planning. The prediction model achieved a Dice score of 95.1%, enabling accurate deep learning-based optimization. In 13 unseen planning cases, the proposed method improved ablation efficiency by 54.3% and reduced organ damage by 55.0% compared with clinician-defined planning, while slightly shortening the insertion path length by 3.3%. Most generated plans were also judged clinically applicable by MWA specialists. Furthermore, the framework enabled approximately 420-fold faster planning than numerical-simulation-based planning, demonstrating its potential as a fast digital twin for quantitative and personalized MWA treatment planning. The code is available at: https://github.com/SeonAengCho/MWA-Planning.git
• Abstract（参考訳）: マイクロ波アブレーション (MWA) は, 肝腫瘍に対して望まれる最小侵襲治療であるが, その治療効果は, アンテナ挿入路, パワー, 治療期間の患者固有の計画に強く依存する。 正確な数値シミュレーションは物理的に信頼性の高いアブレーション予測を提供するが、高い計算コストは最適化に基づく計画においての使用を制限する。 この問題に対処するために,ニューラルアブレーション予測モデルと遺伝的アルゴリズムを組み合わせたデジタルツインベース自動計画フレームワークを提案する。 このモデルは、患者固有の腫瘍や血管構造、アンテナ構成、治療条件から生成される多物理シミュレーションデータに基づいて訓練され、計画中に高速フォワードモデルとして使用された。 予測モデルは95.1%のDiceスコアを達成し、正確なディープラーニングベースの最適化を可能にした。 13の未確認プランニングでは, 挿入経路長をわずかに3.3%短縮しつつ, アブレーション効率を54.3%改善し, 臓器損傷を55.0%低減した。 生成されたほとんどの計画は、MWAの専門家によって臨床に応用できると判断された。 さらに、このフレームワークは数値シミュレーションに基づく計画よりも約420倍高速な計画を可能にし、定量的かつパーソナライズされたMWA処理計画のための高速デジタルツインとしての可能性を示した。 コードは、https://github.com/SeonAengCho/MWA-Planning.gitで入手できる。

関連論文リスト

• Dose-PlanNet: Physics Based Radiotherapy Dose Prediction with Deep Learning [0.0]
  Dose-PlanNetは物理誘導型3Dディープラーニングアーキテクチャで、線量分布を予測する。 このパイプラインは、物理インフォームドディープラーニングが放射線治療を加速し、高精度な臨床展開に必要な厳密なドシメトリック品質を安全に維持できることを実証する。
  論文  参考訳（メタデータ） (2026-08-27T10:05:01Z)
• AI-Augmented Adaptive Digital Twin Modeling for Brain Tumor Evolution Prediction and Treatment Scheduling [13.239769357659412]
  本稿では,脳腫瘍の進展予測と治療計画のための適応型デジタルツイン(DT)フレームワークを提案する。 このフレームワークは、解釈可能な反応拡散(RD)モデル、モデル形状補正のための3次元残留学習モジュール、患者固有のDT更新を統合している。
  論文  参考訳（メタデータ） (2026-07-15T14:26:14Z)
• AI End-to-End Radiation Treatment Planning Under One Second [3.908966856945294]
  AIRT(Artificial Intelligence-based Radiotherapy)は,CT画像や構造輪郭から提供可能な治療計画を直接推測するエンドツーエンドのディープラーニングフレームワークである。 AIRTは、イメージングや解剖学的入力からリーフシークエンシングまで、単一のNvidia A100 GPU上で1秒未満で、単一弧VMAT前立腺プランを生成する。 RapidPlan Eclipseの不便さは、ターゲットカバレッジとOARスペーシングメトリクスで実証された。
  論文  参考訳（メタデータ） (2026-03-06T14:45:44Z)
• Demo: Generative AI helps Radiotherapy Planning with User Preference [8.699769678493807]
  本稿では,ユーザ定義の嗜好味のみに基づいて3次元線量分布を予測する新しい生成モデルを提案する。 これらの選好により、プランナーは、オルガン・アット・リスク(OAR)とプランニングターゲットボリューム(PTV)の間の特定のトレードオフを優先順位付けできる。
  論文  参考訳（メタデータ） (2025-12-08T16:49:21Z)
• Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction [13.716930604289924]
  ADDiff-Doseは、エンドツーエンドの多腫瘍量予測のための解剖学的二重制約拡散モデルである。 マルチヘッドアテンション機構を介して条件特徴を組み込み、MSE、条件項、KLの発散を組み合わせた複合損失関数を利用する。 従来のベースラインよりも大幅に優れており、MAEは0.101-0.154、DICE係数は0.927、脊髄最大線量誤差は0.1Gyに制限されている。
  論文  参考訳（メタデータ） (2025-08-04T04:25:47Z)
• A Modular Approach for Clinical SLMs Driven by Synthetic Data with Pre-Instruction Tuning, Model Merging, and Clinical-Tasks Alignment [46.776978552161395]
  小型言語モデル(SLM)は、GPT-4のような大規模言語モデルに代わる費用対効果を提供する。 SLMは費用対効果のある代替手段を提供するが、その限られた能力は生物医学的な領域適応を必要とする。 本研究では,SLMを高性能な臨床モデルに適用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） (2025-05-15T21:40:21Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• OpenKBP-Opt: An international and reproducible evaluation of 76 knowledge-based planning pipelines [48.547200649819615]
  放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。 当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
  論文  参考訳（メタデータ） (2022-02-16T19:18:42Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。