論文の概要: Task-Based CT Protocol Optimization Using Reinforcement Learning and Virtual Imaging Trials

• arxiv url: http://arxiv.org/abs/2609.13309v1
• Date: Thu, 10 Sep 2026 15:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.210673
• Title: Task-Based CT Protocol Optimization Using Reinforcement Learning and Virtual Imaging Trials
• Title（参考訳）: 強化学習と仮想イメージング試行を用いたタスクベースCTプロトコルの最適化
• Abstract要約: CT(Computerd tomography)におけるプロトコル最適化は,放射線線量削減を図り,画像品質の向上を目的としている。 効率的なCTプロトコル最適化のための強化学習を用いた仮想画像トライアル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）: 15.128815032056806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protocol optimization in computed tomography (CT) aims to improve diagnostic image quality while reducing radiation dose, but the interdependence of acquisition and reconstruction parameters makes exhaustive testing impractical. We propose a virtual imaging trial framework with reinforcement learning for efficient CT protocol optimization. Sixty-three computational human models with liver lesions were imaged using a validated CT simulator across 468 combinations of acquisition and reconstruction parameters, including tube voltage, tube current, reconstruction kernel, slice thickness, and pixel size. The optimization objective balanced liver lesion detectability, quantified by detectability index d-prime, against radiation dose. A Proximal Policy Optimization agent was trained and conditioned on patient-specific CT localizer embeddings derived from a pretrained vision transformer. On held-out patients, evaluating only 8 protocols per patient, about 2% of exhaustive testing, recovered 98.2% of the exhaustive-search oracle objective. With no patient-specific simulation, surrogate scoring alone achieved 89.7% recovery. Conditioning on the localizer improved zero-simulation recovery by 10.7 percentage points over the localizer-blind policy (paired 95% CI 2.9-19.5; p=0.02). These results show that the proposed framework can substantially reduce exhaustive protocol testing while enabling task-based, dose-aware protocol selection before the diagnostic scan.
• Abstract（参考訳）: CT(Computerd tomography)におけるプロトコル最適化は,放射線線量削減による診断画像の品質向上を目的としている。 効率的なCTプロトコル最適化のための強化学習を用いた仮想画像トライアルフレームワークを提案する。 管電圧,管電流,再構成カーネル,スライス厚,ピクセルサイズを含む468種類の取得および再構成パラメータの組み合わせをCTシミュレータを用いて検証した。 放射線線量に対する検出率d-primeで定量化した肝病変検出能の最適化を目的とした。 患者固有のCTローカライザを予め訓練した視覚変換器から組み込んだ近位政策最適化エージェントを訓練し, 条件付けを行った。 持ちこたえた患者では、患者1人当たりのプロトコルが8つしか評価されておらず、約2%が徹底的な検査の結果、98.2%が精査された。 患者固有のシミュレーションはなく、サロゲートスコアだけで89.7%の回復を達成した。 ローカライザーの条件は、ローカライザー・ブラインド政策(95% CI 2.9-19.5; p=0.02)よりも10.7ポイントのゼロ・シミュレーション・リカバリを改善した。 これらの結果から,本フレームワークは,診断スキャンの前にタスクベースの線量対応プロトコルの選択を可能にするとともに,網羅的なプロトコルテストを大幅に削減できることが示された。

関連論文リスト

• Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma [5.924316400347799]
  本稿では,事前学習したビジョントランスフォーマーエンコーダを用いて,病変密度のオーメンタルスライスを処理する2.5Dマルチモーダルディープラーニングフレームワークを提案する。 ROC-AUCは95%の精度と80%の精度で得られた。 これらの予備的な結果は、HGSOCにおけるCRSの術前予測におけるトランスフォーマーベース深層学習の可能性を示している。
  論文  参考訳（メタデータ） (2026-04-10T10:33:07Z)
• 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)
• Reinforcement Learning-Based Optimization of CT Acquisition and Reconstruction Parameters Through Virtual Imaging Trials [12.892703447855013]
  プロトコル最適化はCTにおいて放射線線量を最小限に抑えつつ高い画像品質を実現するために重要である。 本研究では,より効率的にCTプロトコルを最適化するために,仮想画像ツールと強化学習を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-10-09T19:30:41Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
  大腸癌の検出は、患者の生存率を高めるために重要である。 大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。 Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。 精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
  論文  参考訳（メタデータ） (2025-05-30T16:54:51Z)
• Step-Calibrated Diffusion for Biomedical Optical Image Restoration [47.191704042917394]
  再生ステップ校正拡散(Resorative Step-Calibrated Diffusion、RSCD)は、拡散に基づく画像復元法である。 RSCDは、画像品質と知覚評価の両方において、他の広く使われている未使用画像復元方法よりも優れている。 RSCDは、自動脳腫瘍診断や深部組織イメージングなど、下流の臨床画像タスクのパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2024-03-20T15:38:53Z)
• Deep Few-view High-resolution Photon-counting CT at Halved Dose for Extremity Imaging [9.900942764883789]
  ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。 具体的には、GPUメモリを緩和するパッチベースのボリュームリファインメントネットワークを設計し、合成データを用いたトレーニングネットワークを構築し、モデルベースの反復リファインメントを使用して合成データと臨床データのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-19T00:07:48Z)
• A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
  本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。 提案したモデルは0.927の総合精度と0.958の感度を得た。
  論文  参考訳（メタデータ） (2022-06-15T18:35:22Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。