Radiotherapy
PulseAugur coverage of Radiotherapy — every cluster mentioning Radiotherapy across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的DREME-GSMR框架实现了快速、运动自适应的放射治疗MRI
研究人员开发了DREME-GSMR，一种用于时间分辨容积磁共振成像的新型框架，可在不到一秒的时间内重建3D MRI扫描。该系统使用时空高斯表示来捕捉患者解剖结构和运动，从而在放射治疗期间实现动态重建和实时运动跟踪。在模型和人体受试者上的评估表明，DREME-GSMR能够以快速的推理时间实现高质量的图像和准确的运动估计。
-
AI代理OncoAgent将放射治疗计划调整为新的临床指南
研究人员开发了OncoAgent，一个新颖的AI框架，旨在自动勾画放射治疗中的临床靶体积（CTV）。该代理将文本临床指南转换为三维轮廓，而无需重新训练，解决了现有深度学习模型的一个关键限制。在食管癌病例的评估中，OncoAgent取得了与监督方法相当的性能，并因其符合指南和临床可接受性而受到医生青睐。该框架在没有进一步训练的情况下，还展示了对不同解剖部位和指南的泛化能力。
-
HECKTOR 2025挑战赛为头颈癌AI分析设定基准 · 追踪2个来源
HECKTOR 2025挑战赛在前几届的基础上，利用多模态PET/CT影像和电子健康记录，为头颈部癌症的自动化分析建立了基准。该挑战赛涉及来自10个全球中心的1100多名患者，并要求35个注册团队进行肿瘤分割、复发无生存期预测和HPV状态分类。排名前15的参赛作品展示了有希望的结果，算法在分割方面达到了0.75的平均Dice相似系数，在生存期预测方面达到了0.66的一致性指数，在HPV分类方面达到了0.56的平衡准确率。
-
新框架量化放射治疗图像配准中的不确定性
研究人员开发了一个新的概率框架，用于量化放射治疗中可变形图像配准 (DIR) 的不确定性。该方法将每个体素处的变形建模为随机变量，从而可以计算剂量概率、预期剂量和置信区间。该框架旨在计算效率高且易于解释，避免了复杂的生物力学模型。它在一个前列腺癌案例研究中得到了验证，结果表明确定性图的设计对剂量不确定性的影响比概率核的选择更大。
-
深度学习框架检测MRI异常，用于放射治疗
研究人员开发了一个无监督深度学习框架，用于检测和定位MRI扫描中的异常，旨在改进放射治疗工作流程。该两阶段系统首先对MRI切片进行分词，然后对正常分词的分布进行建模以识别偏差。该方法在盆腔MRI上实现了0.97的AUC，在脑部MRI上实现了0.81的AUC，显示出高准确性，并在异常定位方面表现出强空间一致性。
-
SynthRAD2025挑战赛展示AI改进放疗用合成CT
SynthRAD2025挑战赛报告详细介绍了为放疗计划生成合成CT（sCT）图像的进展。今年的挑战赛重点是将MRI或锥束CT（CBCT）转换为等效CT图像，评估方法涵盖了跨不同身体区域的2300多名患者病例。深度学习模型显示出显著的改进，尤其是在CBCT到CT的转换方面，但在MRI到CT的准确性方面仍存在挑战，特别是在基于剂量的验证方面。
-
新的H3D-MarNet框架提高了放射治疗的CT图像质量
研究人员开发了H3D-MarNet，一个旨在提高放射治疗CT图像质量的新型两阶段框架。该系统首先使用基于小波的去噪来抑制金属伪影，然后使用混合CNN和Transformer架构将千伏CT（kVCT）图像转换为兆伏CT（MVCT）。该方法旨在通过保留解剖细节和确保切片之间的空间连贯性来提高诊断准确性和放射治疗计划，在PSNR和SSIM指标方面显示出显著改进。
-
研究绘制中医药作为放疗辅助疗法的成熟度图谱
一篇新论文分析了2000年至2025年间关于中医药作为放疗辅助疗法的69,745篇出版物。研究揭示了该领域的一个周期性演变，其特点是研究产出、国际合作和资金的扩张与收缩时期。五个主要的 the matic 轴——癌症类型、支持性护理、临床终点、机制和方法论——表明了对患者福祉和科学严谨性的关注。研究表明，该领域已成熟其当前的研究议程，并可能即将迎来新的发展，同时还注意到持续存在的积极报告偏差。