放射線治療における線量予測のための距離認識拡散モデル「DoseDiff」

Основні поняття

本論文では、CT画像と符号付き距離マップを条件として用いる距離認識拡散モデル「DoseDiff」を提案し、精確な線量分布の予測を行う。

Анотація

本論文では、放射線治療における線量分布の予測を目的とした、距離認識拡散モデル「DoseDiff」を提案している。

まず、線量予測をノイズ除去のプロセスとして定義し、CT画像と符号付き距離マップを条件として用いる。符号付き距離マップは、標的や危険臓器のマスクから距離変換によって得られ、各画素の標的や危険臓器からの距離を示す。

次に、CT画像と距離マップの特徴を多重エンコーダと多重スケールの融合ネットワーク(MMFNet)によって効果的に抽出・融合する手法を提案する。MMFNetでは、CTと距離マップの特徴を独立したエンコーダで抽出し、多重スケールで融合する。さらに、注意機構に基づくfusionFormerモジュールを導入し、グローバルな情報融合を行う。

実験の結果、提案手法「DoseDiff」は、乳がんと鼻咽頭がんのin-houseデータセットおよび公開データセットにおいて、定量的および視覚的な性能で最先端手法を上回ることが示された。特に、提案手法は放射線経路の特性を良好に保持し、医療物理士にとって有用な情報を提供できることが確認された。

Статистика

乳がんデータセットの患者CT画像の画素間隔は0.77-0.97 mm、スライス厚は5.0 mmである。
鼻咽頭がんデータセットの患者CT画像の画素間隔は0.75-0.97 mm、スライス厚は3.0 mmである。
OpenKBPデータセットの患者CT画像の画素間隔は3.906 mm、スライス厚は2.5 mmである。

Цитати

"放射線治療は癌治療の重要な手段の1つであり、がん患者の約50%が治療の過程で放射線治療を受ける。"
"治療計画は放射線治療ワークフローの重要な構成要素であり、医療物理士が時間のかかる試行錯誤的な方法で行っている。"
"従来の深層学習ベースの線量予測手法は、周囲組織と標的や危険臓器との距離情報を効果的に活用できず、また、予測された線量分布マップの線路特性を維持できないという課題がある。"

Ключові висновки, отримані з

DoseDiff

by Yiwen Zhang,... о arxiv.org 03-29-2024

https://arxiv.org/pdf/2306.16324.pdf

Глибші Запити

放射線治療における線量予測の精度向上には、どのような新しいアプローチが考えられるか?

放射線治療における線量予測の精度向上には、以下の新しいアプローチが考えられます：

統合的な情報利用：複数の医療画像や患者データを統合して線量予測に活用することで、より包括的な情報を取り入れることができます。

リアルタイムデータ解析：リアルタイムでのデータ解析や患者の状態に応じた個別化された線量予測を行うことで、治療計画の最適化を促進します。

AIとの統合：人工知能（AI）を活用して膨大なデータからパターンや傾向を抽出し、線量予測の精度を向上させることが可能です。

シミュレーションとの組み合わせ：放射線治療シミュレーションと線量予測を組み合わせることで、より現実的な治療計画を立案することができます。

これらのアプローチを組み合わせることで、放射線治療における線量予測の精度向上が期待されます。