論文の概要: Dose-PlanNet: Physics Based Radiotherapy Dose Prediction with Deep Learning
- arxiv url: http://arxiv.org/abs/2608.26901v1
- Date: Thu, 27 Aug 2026 10:05:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.339833
- Title: Dose-PlanNet: Physics Based Radiotherapy Dose Prediction with Deep Learning
- Title（参考訳）: Dose-PlanNet:ディープラーニングを用いた物理ベースの放射線治療線量予測
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automating prostate radiotherapy treatment planning is dosimetrically complex, particularly for extreme hypofractionated regimens. In this study, we introduce Dose-PlanNet, a physics-guided 3D deep learning architecture designed to predict dose distributions. This model's performance was evaluated on a cohort of patients treated in a prospective trial where two different dose fractionation regimens were employed. Dose-PlanNet achieved comparable target coverage ($D_{95}$), though statistical analysis revealed a marginal reduction in target homogeneity ($p<0.001$) offset. However the model achieved statistically significant improvements in high-dose organ-at-risk sparing ($p<0.001$). When evaluated against strict Prospective Randomized protocol volumetric constraints, automated plans met prespecified clinical acceptance criteria in $11$ out of $14$ Moderate Hypofraction Arm plans and $9$ out of $12$ Stereotactic Body Radiation Therapy Arm plans. This pipeline demonstrates that physics-informed deep learning can accelerate radiotherapy workflows while safely maintaining the stringent dosimetric quality required for high-precision clinical deployment.
- Abstract（参考訳）: 前立腺放射線治療計画の自動化はドシメトリックに複雑である。
本研究では,線量分布の予測を目的とした物理誘導型3次元ディープラーニングアーキテクチャであるDose-PlanNetを紹介する。
2種類の異なる用量分画法を併用した前向き臨床試験で治療した患者のコホートを用いて,本モデルの性能を評価した。
Dose-PlanNetは同等のターゲットカバレッジ(D_{95}$)を達成したが、統計分析の結果、ターゲットの均一性(p<0.001$)のオフセットが限界的に減少していた。
しかし, 高用量有機-リスクスパリング(p<0.001$)では統計的に有意な改善が得られた。
厳格な予測ランダム化プロトコルのボリューム制約に対して評価された場合、自動化された計画は、14ドル(約1,400円)の低周波アーム計画中、12ドル(約1,300円)の身体放射線治療アーム計画中、11ドル(約1,300円)の所定の臨床受け入れ基準を満たした。
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のワークフローを加速し、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することを示した。
関連論文リスト
- 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) - 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) - Automated Treatment Planning for Interstitial HDR Brachytherapy for Locally Advanced Cervical Cancer using Deep Reinforcement Learning [3.9838929530763076]
本研究の目的は、完全に自動化されたHDRブラキセラピー計画フレームワークを開発することである。
階層的な2段階自動計画フレームワークを提案する。
未確認の患者では、RLベースの自動計画法が平均93.89%を達成し、平均91.86%の臨床計画を上回りました。
論文 参考訳（メタデータ） (2025-06-13T17:07:30Z) - Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [42.75913504373651]
TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。
深層学習はRTをパーソナライズすることを約束する。
現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
論文 参考訳（メタデータ） (2025-03-07T12:21:09Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。
我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - 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) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Rapid treatment planning for low-dose-rate prostate brachytherapy with
TP-GAN [9.064664319018064]
低用量前立腺切断療法 (LDR-PB) の治療計画では, 前立腺に最小限の所定の用量を与える埋込み可能な放射性種子の配置を目標としている。
医師の視点からインプラントを「受け入れ可能」とみなすのではなく、この線量基準を満たす複数の種子の配置があります。
LDR-PBデータの大規模プールから学習するモデルをトレーニングすることで、このばらつきを低減する手法を提案する。
論文 参考訳（メタデータ） (2021-03-18T03:02:45Z)
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。