論文の概要: An Uncertainty-Guided Digital Twin Framework for Online Adaptive Proton Therapy in Head and Neck Cancer: A Feasibility Study

• arxiv url: http://arxiv.org/abs/2609.39010v1
• Date: Wed, 30 Sep 2026 05:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.228084
• Title: An Uncertainty-Guided Digital Twin Framework for Online Adaptive Proton Therapy in Head and Neck Cancer: A Feasibility Study
• Title（参考訳）: 頭頸部癌に対するオンライン適応プロトン治療のための不確実性ガイド付きデジタルツインフレームワークの検討
• Abstract要約: 治療前の解剖を予測できる不確実性誘導型デジタルツイン(UGDT)フレームワークを提案する。 臨床品質のオンライン適応プロトン療法(APT)計画を作成できるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 8.97363316778987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Head and neck (HN) proton therapy spans six to seven weeks of anatomical change, while offline replanning takes about a week. We present an uncertainty-guided digital twin (UGDT) framework that forecasts treatment-day anatomy before treatment and evaluate whether it generates online adaptive proton therapy (APT) plans of clinical quality. Approach: A library of 302 longitudinal deformations from 88 previously treated HN patients was transported onto each new patient's treatment planning CT (TPCT) using two-step multi-atlas deformable image registration (DIR) built on a pretrained CT foundation model, generating about 284 predicted CTs (pdCTs) with contours per patient. Dispersion of propagated clinical target volume (CTV) contours defined a patient-specific robust margin. In ten patients, the quality assurance CT (QACT) triggering a replan represented treatment-day anatomy, and the physician-approved replan was the baseline. The pdCT most similar to the QACT (pdCT-H) and one from the lowest quartile (pdCT-L) were planned to within about 5% of baseline plan quality, forward-calculated on the QACT, and reoptimized to generate online APT plans. Main results: pdCT plans scored within -0.7% (pdCT-H) and -1.0% (pdCT-L) of baseline. Forward calculation on QACT reduced high-dose CTV D98% to 88.3% and 85.5%. After online reoptimization, D98% recovered to 98.3 +/- 0.3% and 98.2 +/- 0.3%, versus 98.5 +/- 0.4% at baseline. Spinal cord and brainstem doses remained below tolerance, and plan quality scores were within -1.1% (p = 0.19) and -1.7% (p = 0.01) of baseline. Significance: UGDT generated online APT plans comparable in quality to physician-approved offline replans using anatomy forecast before treatment, enabling a transition from reactive offline replanning toward anticipatory online adaptation.
• Abstract（参考訳）: 目的: 頭頸部(HN)プロトン療法は解剖学的変化の6週間から7週間で、オフラインリプランニングは約1週間である。 治療前に治療日の解剖を予測し,臨床品質のオンライン適応陽子療法(APT)計画を作成できる不確実性誘導型デジタルツイン(UGDT)フレームワークを提案する。 アプローチ: 術前にHN患者88名から得られた302個の経時的変形のライブラリーを, 術前CT基盤モデル上に構築した2段階のマルチアトラス変形性画像登録(DIR)を用いて, 新しい患者の治療計画CT(TPCT)に転送し, 約284個のCT(pdCT)を患者1人あたりの輪郭で生成した。 プロパゲーション型臨床ターゲットボリューム(CTV)コントラルの分散は、患者固有のロバストマージンを定義した。 10例でQACTを施行し, 治療日の解剖学的所見を呈し, 医師が承認したリプランがベースラインであった。 pdCTはQACT(pdCT-H)と最もよく似ており、最も低い四量体(pdCT-L)の1つがベースラインプランの品質の約5%以内に計画され、QACTで前方計算され、オンラインAPTプランを生成するために再最適化された。 主な結果:pdCTプランはベースラインの-0.7%(pdCT-H)と-1.0%(pdCT-L)で評価された。 QACTのフォワード計算により、高用量CTV D98%を88.3%、85.5%に削減した。 オンライン再最適化後、D98%は98.3 +/- 0.3%、98.2 +/- 0.3%に回復したが、98.5 +/- 0.4%はベースラインで回復した。 脊髄と脳幹の投与量は許容値以下であり、プラン品質スコアは-1.1%(p = 0.19)と1.7%(p = 0.01)であった。 意義: UGDTは、治療前に解剖学的予測を使用して医師が承認したオフラインリプランに匹敵する品質のオンラインAPTプランを生成し、リアクティブオフラインリプランから予想されるオンライン適応への移行を可能にした。

関連論文リスト

• Anticipatory Digital Twins for Online Head-and-Neck Adaptive Proton Therapy via Foundation-Model Registration [16.0292027058097]
  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。
  論文  参考訳（メタデータ） (2026-08-01T19:15:17Z)
• 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)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• 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)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Comparing 3D deformations between longitudinal daily CBCT acquisitions using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
  本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。 平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-07T15:07:43Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。