論文の概要: DoseBridge: Denoising Diffusion Bridge Model for Dose Prediction in Lung Intensity-Modulated Proton Therapy

• arxiv url: http://arxiv.org/abs/2608.10173v1
• Date: Mon, 10 Aug 2026 19:43:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.798693
• Title: DoseBridge: Denoising Diffusion Bridge Model for Dose Prediction in Lung Intensity-Modulated Proton Therapy
• Title（参考訳）: DoseBridge:肺強度変調プロトン療法における線量予測のための拡散ブリッジモデル
• Abstract要約: DoseBridgeは放射線照射量予測のための拡散ブリッジモデルである。 計画固有のビーム形状を空間的に整列したビームマスクにエンコードする。 放射線治療用線量予測のための最初の除音拡散ブリッジモデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most radiotherapy dose-prediction models use only CT images and anatomical structures, although intensity-modulated proton therapy (IMPT) dose also depends strongly on beam geometry and available clinical datasets are often small. We present DoseBridge, a denoising diffusion bridge model that uses the patient CT as a structured bridge endpoint and encodes plan-specific beam geometry in a spatially aligned beam mask. Multiscale fusion combines CT, target, organ-at-risk, and beam-mask representations with 1.95% additional parameters. DoseBridge was retrospectively evaluated on single-institution CT images and treatment plans from 52 patients with advanced-stage lung cancer treated with 60 Gy in 30 fractions; 42 cases were used for training and 10 for testing. Performance was assessed using image-similarity, dose-volume, and Lyman-Kutcher-Burman normal-tissue complication probability (NTCP) metrics and compared with two deep-learning models. On the test cohort, DoseBridge achieved a mean absolute error of 4.170 Gy, peak signal-to-noise ratio of 23.06 dB, and structural similarity index of 0.798, outperforming both comparison models on these metrics. Clinical target volume D95 differed from the reference dose by 0.62 +/- 1.6 Gy; signed organ-at-risk mean-dose differences ranged from -0.32 to 0.24 Gy, and NTCP differences were -0.40 +/- 2.2 and 0.52 +/- 3.4 percentage points for acute esophagitis and radiation pneumonitis, respectively. Changing only the beam mask redirected predicted low-dose entrance regions while preserving the high-dose target region. To our knowledge, DoseBridge is the first denoising diffusion bridge model for radiotherapy dose prediction. These results support its feasibility as a beam-aware planning prior for lung IMPT, pending evaluation in larger external cohorts.
• Abstract（参考訳）: ほとんどの放射線治療線量予測モデルはCT画像と解剖学的構造のみを用いるが、強度変調陽子療法(IMPT)線量もビーム幾何学に強く依存しており、利用可能な臨床データセットは少ないことが多い。 患者CTを構造的ブリッジエンドポイントとし,空間的に整列したビームマスクに計画特異的なビーム形状を符号化する拡散ブリッジモデルであるDoseBridgeを提案する。 マルチスケール融合はCT、ターゲット、オルガン・アット・リスク、ビームマスクの表現を1.95%追加パラメータで組み合わせる。 DoseBridgeは,60Gyを30分の1で治療した進行肺癌52例の単施設CT画像と治療計画について,遡及的に評価し,42例,10例を試験に用いた。 画像相似性,線量量,Lyman-Kutcher-Burman正規化確率(NTCP)を用いて評価し,2つのディープラーニングモデルと比較した。 テストコホートでは、DoseBridgeは平均絶対誤差4.170 Gy、ピーク信号対雑音比23.06 dB、構造類似度指数0.798を達成し、両者の比較モデルを上回った。 臨床対象量D95は基準投与量0.62+/-1.6Gyと異なっており, サイン付き臓器-リスク平均線量差は-0.32～0.24Gy, NTCPの差は-0.40+/-2.2, 0.52+/-3.4%であった。 ビームマスクのみの変更は、高線量目標領域を維持しながら予測された低線量入口領域をリダイレクトする。 我々の知る限り、DoseBridgeは放射線治療線量予測のための最初の分極拡散ブリッジモデルである。 これらの結果は,より大きな外的コホートで保留されている肺IMPTのビームアウェアプランニングとしての実現可能性を支持する。

関連論文リスト

• Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring [0.6439594960617159]
  DAMM-Net++は胸部放射線治療のための2.5Dアーキテクチャである。 これはスライス表面の不整合、小さな低コントラストターゲットの系統的故障、ケースごとの信頼性信号の欠如に対処する。 平均Diceは0.955、HD95は3.78mmで、低コントラストの臓器のリスクが最も高い。
  論文  参考訳（メタデータ） (2026-09-11T11:13:06Z)
• 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)
• AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
  非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。 本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
  論文  参考訳（メタデータ） (2025-10-01T22:19:27Z)
• A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
  本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
  論文  参考訳（メタデータ） (2023-09-15T14:18:53Z)
• 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)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)
• Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
  単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。 提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。 提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
  論文  参考訳（メタデータ） (2021-10-15T06:17:52Z)
• Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
  肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。 深層学習モデルは、大きな胸部X線写真データセットで訓練された。
  論文  参考訳（メタデータ） (2020-08-13T15:45:44Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。