論文の概要: Learning the Dose Manifold: A Latent Diffusion Framework for Volumetric Dose Prediction in Automated Radiotherapy Treatment Planning

• arxiv url: http://arxiv.org/abs/2610.26064v1
• Date: Mon, 19 Oct 2026 09:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:37:33.67024
• Title: Learning the Dose Manifold: A Latent Diffusion Framework for Volumetric Dose Prediction in Automated Radiotherapy Treatment Planning
• Title（参考訳）: ドーズマンフォールドの学習:自動放射線治療計画における体積線量予測のための潜時拡散フレームワーク
• Abstract要約: LaDoseは完全容積量予測のための遅延拡散フレームワークである。 線量分布について学習したオートエンコーダは、潜在分類器が可算線量に復号し、128倍の線量マップを圧縮し、1つのGPU上で3D拡散を可能にするように訓練されている。 900の臨床的に提供された5つのセンターからの頭部と頸部を調節した体積的アーク治療計画において、ラドースは1.18Gyの平均的な絶対誤差に達した。
• 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: Automated treatment planning (ATP) aims to reduce the unwarranted inter-planner variability of manual planning, while improving treatment quality and efficiency. Most ATP pipelines rely on the prediction of the achievable three-dimensional dose distribution for a given anatomy and the subsequent optimization of machine parameters to reproduce it. Diffusion-based methods are largely slice-wise due to the high dimensionality of radiotherapy data, and assume a one-to-one mapping between anatomy and optimal dose despite the multi-objective nature of treatment planning. They are evaluated on their ability to match reference doses and rarely on their integration in ATP frameworks. We present LaDose, a latent diffusion framework for fully volumetric dose prediction. An autoencoder learned on dose distributions, trained so that perturbed latents decode to plausible doses, compresses dose maps 128-fold and enables 3D diffusion on a single GPU. Prescription values are represented as exact scalar vectors that bypass the image encoder, avoiding resampling and latent compression. Multiscale classifier-free guidance allows for the modulation of clinical trade-offs at inference, without retraining or additional labeled data. On 900 clinically delivered head-and-neck volumetric modulated arc therapy plans from five centers, LaDose reached a median absolute error of 1.18 Gy (1.4--1.8\% of the prescription) and was the only one of six frameworks free of systematic bias with respect to the reference distribution. Guidance scales acted predictably on target coverage and organ-at-risk sparing. Integrated with direct aperture optimization, the pipeline generated plans in 15.2 minutes; in a blinded review, senior clinicians rated 14 of 15 plans acceptable without editing.
• Abstract（参考訳）: ATP(Automated Treatment Planning)は、手作業によるプランナー間の不整合性を低減し、治療の質と効率を向上させることを目的としている。 ほとんどのATPパイプラインは、与えられた解剖学の達成可能な3次元線量分布の予測と、それを再現するための機械パラメータのその後の最適化に依存している。 拡散法に基づく手法は放射線治療データの高次元性のために主にスライス的に行われ、治療計画の多目的性にもかかわらず、解剖学と最適な線量との1対1マッピングを仮定する。 基準線量と一致する能力で評価され、ATPフレームワークに統合されることはめったにない。 完全容積量予測のための遅延拡散フレームワークであるLaDoseを提案する。 線量分布について学習したオートエンコーダは、摂動潜伏剤が可塑性線量にデコードし、128倍の線量マップを圧縮し、1つのGPU上で3D拡散を可能にするように訓練されている。 入力値は、イメージエンコーダをバイパスし、再サンプリングや遅延圧縮を避ける正確なスカラーベクトルとして表現される。 マルチスケール分類器フリーガイダンスは、リトレーニングやラベル付きデータの追加なしに、推論時に臨床トレードオフを調節することができる。 900の臨床的に提供された5つの中心からの頭頸部体積変調アーク治療計画において、ラドースは1.18Gy(処方薬の1.4-1.8\%)の平均的な絶対誤差に達し、基準分布に関して系統的バイアスのない6つのフレームワークのうちの1つとなった。 誘導尺度は目標範囲と臓器-リスク間隔を予測可能とした。 パイプラインは直接開口最適化と統合され、15.2分で計画が作成された。

関連論文リスト

• Dose-PlanNet: Physics Based Radiotherapy Dose Prediction with Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-27T10:05:01Z)
• Fluence Map Prediction with Deep Learning: A Transformer-based Approach [4.362977319915193]
  本研究では, 臨床品質を維持しつつ, フラエンスマップ生成を加速する深層学習フレームワークを提案する。 エンドツーエンドの3D Swin-UNETRネットワークは、体積CT画像と解剖学的輪郭から直接9ビームのフルレンスマップを予測するために訓練された。 提案モデルでは,平均R2は0.95+/-0.02,MAEは0.035+/-0.008,ガンマ通過率は85+/-10%(3%/3mm)であった。
  論文  参考訳（メタデータ） (2025-11-10T19:24:14Z)
• 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)
• 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)
• Triplet-constraint Transformer with Multi-scale Refinement for Dose Prediction in Radiotherapy [10.232397630125886]
  CNNは線量マップを予測して放射線治療計画を自動化する。 現在のCNNベースの方法は、線量マップにおける顕著な線量差を無視している。 高品質な線量分布を予測するために, マルチスケール改良による三重項制約変換器 (TCtrans) を提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:05:29Z)
• SP-DiffDose: A Conditional Diffusion Model for Radiation Dose Prediction Based on Multi-Scale Fusion of Anatomical Structures, Guided by SwinTransformer and Projector [14.18016609082685]
  本研究では,SwinTransformerとプロジェクタSP-DiffDoseに基づく線量予測拡散モデルを提案する。 解剖学的構造と線量分布マップの直接的な相関を捉えるために、SP-DiffDoseは構造エンコーダを使用して解剖学的画像から特徴を抽出する。 SP-DiffDoseは、リスクのある臓器の線量予測分布を強化するために、ネットワークの深い層でSwinTransformerを使用して、画像のさまざまなスケールの特徴をキャプチャする。
  論文  参考訳（メタデータ） (2023-12-11T08:07:41Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• 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)

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。