論文の概要: Personalising Deformable Image Registration with Clinical Context and Deformation History for Adaptive Radiotherapy

• arxiv url: http://arxiv.org/abs/2610.18926v1
• Date: Tue, 13 Oct 2026 06:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.727108
• Title: Personalising Deformable Image Registration with Clinical Context and Deformation History for Adaptive Radiotherapy
• Title（参考訳）: 適応放射線治療における臨床コンテキストと変形履歴による変形性画像登録の個人化
• Abstract要約: 既存の登録方法は、各画像対を独立して扱う。 臨床コンテキスト認識と患者適応型画像登録(CAP-DIR)を開発した。 CAP-DIRは、内部テストのオルガン-アット-リスク領域の正常化クロス相関を84.76%から96.92%に増加させた。
• 参考スコア（独自算出の注目度）: 48.52787121001821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive radiotherapy must account for anatomical changes during treatment, but doing so depends on reliably mapping targets, organs at risk and dose across serial images. Existing registration methods treat each image pair independently, without using radiotherapy-specific context or the patient's preceding anatomical trajectory. We developed Clinical-context-Aware and Patient-adaptive Deformable Image Registration (CAP-DIR), integrating source contours, dose, clinical text and prior-registration features. We evaluated 16,361 CT examinations from 3,473 patients across four institutional cohorts and five public benchmarks. CAP-DIR increased internal-test organ-at-risk-region normalized cross-correlation from 84.76% to 96.92% relative to the strongest learning-based comparator, with low deformation folding, and remained superior across seven external cohorts. In a blinded review of 20 longitudinal cases, clinically acceptable contours increased from 45.0% to 82.5% for clinical target volumes and from 22.5% to 62.5% for organs at risk, while estimated editing time decreased. In a controlled benchmark, CAP-DIR reduced global dose-mapping error by 34.5% relative to the strongest comparator. These findings show that clinically informed, longitudinal registration can improve contour usability and dose mapping for adaptive radiotherapy.
• Abstract（参考訳）: 適応的放射線療法は治療中の解剖学的変化を考慮しなければならないが、それを行うには標的、臓器を確実にマッピングし、シリアル画像全体にわたって服用する必要がある。 既存の登録方法は、放射線療法固有の文脈や患者の先行する解剖学的軌跡を使わずに、各画像対を個別に扱う。 臨床コンテキスト認識と患者適応型デフォルマブル画像登録 (CAP-DIR) を開発し, 音源輪郭, 線量, 臨床テキスト, 事前登録機能を統合した。 施設コホート3,473例のCT検査16,361例,公開ベンチマーク5例について検討した。 CAP-DIRは、内部テストのオルガン-アット-リスク領域の正規化相互相関を84.76%から96.92%に引き上げた。 20症例の盲目レビューでは、臨床対象量では45.0%から82.5%に、臓器では22.5%から62.5%に増加し、編集時間が短縮された。 制御されたベンチマークでは、CAP-DIRは最強のコンパレータと比較して、地球の線量削減誤差を34.5%削減した。 以上の結果より, 臨床情報による経時的登録は, 適応放射線治療における輪郭使用性および線量マッピングを改善することが示唆された。

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)
• A Vision-language Framework for Comparative Reasoning in Radiology [68.52471827773482]
  我々は,放射線学的比較を実体認識のクロスイメージ推論問題として定式化する。 我々は,日常的な画像とレポートのペアから得られた大規模比較画像資源を構築した。 臨床類似症例の検索を制御可能なエンティティ対応ビジュアルエンコーダであるMedReCoを開発した。
  論文  参考訳（メタデータ） (2026-06-04T17:12:47Z)
• Development and multi-center evaluation of domain-adapted speech recognition for human-AI teaming in real-world gastrointestinal endoscopy [10.190034803243288]
  本稿では,ドメイン適応型ASRシステムであるEndoASRについて述べる。 内科医6名を対象とした振り返り評価では、EndoASRは転写精度と臨床使用性の両方を大幅に改善する。 将来的な多中心研究において、EndoASRは異種実世界の条件下で一貫した一般化を示す。
  論文  参考訳（メタデータ） (2026-04-02T07:13:02Z)
• Clinician input steers frontier AI models toward both accurate and harmful decisions [10.599240857217811]
  8つのフロンティアモデルにまたがる21の言語モデル (LLM) を, 差分診断生成と次のステップ勧告に基づいて評価した。 専門的な文脈は、21モデル全体にわたる正しい最終診断の包含を著しく改善した。 GPT-4o 実験では, 臨床症状の明確な不確実性信号により, 対側的文脈での診断性能が向上した。
  論文  参考訳（メタデータ） (2026-03-14T23:47:53Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• 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)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Segmentation Regularized Training for Multi-Domain Deep Learning Registration applied to MR-Guided Prostate Cancer Radiotherapy [4.196851975513091]
  MR誘導適応放射線治療における輪郭伝播と線量蓄積には正確な変形性画像登録(DIR)が必要である。 本研究は, ドメイン不変MR-MR登録のためのディープラーニングDIR法を訓練し, 評価した。
  論文  参考訳（メタデータ） (2025-07-09T15:55:32Z)

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。