arXiv cs.AI· Yuzhen Ding, Hongying Feng, Jianfeng Zhao, Jason Holmes, Martin Bues, Lisa A. McGee, Jean-Claude M. Rwigema, Nathan Y. Yu, Terence T. Sio, Sameer R. Keole, William W. Wong, Steven E. Schild, Jonathan B. Ashman, Sujay A. Vora, Daniel J. Ma, Samir H. Patel, Wei Liu·· 13 小时前AI 评分29
基于扩散 Transformer 框架的质子束扫描治疗通用剂量去噪
Generalizable dose denoising using diffusion transformer framework for pencil beam scanning proton therapy
AI 导读
研究团队开发了基于扩散 Transformer 的剂量去噪框架，可从低统计量 Monte Carlo 模拟的噪声剂量分布中恢复高统计量结果。
正文 · AI 翻译
作者：Yuzhen Ding、Hongying Feng、Jianfeng Zhao、Jason Holmes、Martin Bues、Lisa A. McGee、Jean-Claude M. Rwigema、Nathan Y. Yu、Terence T. Sio、Sameer R. Keole、William W. Wong、Steven E. Schild、Jonathan B. Ashman、Sujay A. Vora、Daniel J. Ma、Samir H. Patel、Wei Liu
摘要：背景与目的：调强质子治疗（IMPT）可实现头颈部（H&N）肿瘤的适形剂量投照。然而，其对分次间解剖变化的敏感性促使人们采用在线自适应，其中快速且准确的蒙特卡罗（MC）剂量计算仍是主要瓶颈。低统计量 MC 模拟可缩短计算时间，但会引入噪声。本研究旨在开发一种扩散-Transformer 框架，从含噪 MC 模拟中恢复高统计量剂量分布。材料与方法：开发了一种基于扩散-Transformer 的剂量去噪框架。使用 80 例 H&N 患者进行训练，另用 10 例 H&N 患者以及 30 例肺癌、乳腺癌和前列腺癌患者（每个部位 10 例）进行评估。使用 MCsquare 生成含噪和高统计量剂量图。模型以含噪剂量图和 CT 图像为输入、以高统计量剂量图为真值进行训练，损失函数包括均方误差、残差、区域平均绝对误差（MAE）和剂量体积直方图（DVH）损失。采用 MAE、3D gamma 通过率和 DVH 指标评估性能。结果：在各测试队列中，全身平均 MAE 范围为 0.08 +/- 0.06 至 0.20 +/- 0.11 Gy（相对生物效应，RBE）（RBE = 1.1）。全身平均 3 %/2 mm gamma 通过率范围为 95.8 +/- 0.8 % 至 97.6 +/- 0.9 %。高统计量与预测剂量分布的 DVH 指标在临床靶区和感兴趣器官上显示出高度一致性。结论：基于扩散-Transformer 的框架对低统计量 MC 剂量分布进行了去噪。尽管仅在 H&N 数据上训练，该模型无需重新训练即可泛化至肺癌、乳腺癌和前列腺癌队列。
| 学科： | 医学物理（physics.med-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2506.04467 [physics.med-ph] |
| （或 arXiv:2506.04467v2 [physics.med-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2506.04467 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuzhen Ding [查看邮箱]
[v1]
2025 年 6 月 4 日星期三 21:37:15 UTC（1,080 KB）
[v2]
2026 年 10 月 28 日星期三 20:41:06 UTC（609 KB）
来源：arXiv cs.AI · arxiv.org