Radiotherapy
PulseAugur coverage of Radiotherapy — every cluster mentioning Radiotherapy across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DuetMoE框架提升医学图像分析的公平性和鲁棒性
研究人员开发了DuetMoE，一个用于医学图像分析的新框架，旨在提高不同患者亚组的公平性和鲁棒性。该系统将组级适应与患者特定的临床指导相结合，以提高对个体患者的可靠性。对于缺乏关联临床记录的场景，DuetMoE+使用KL约束目标来维护组内路由专家并解决组内鲁棒性问题。在PI-CAI、放疗和Harvard-FairSeg数据集上的评估显示，整体和公平性缩放性能均有显著提高，减少了组间差异并提高了组内性能。
-
生成式AI通过用户偏好定制增强放射治疗规划
研究人员开发了一种新的生成式AI模型，旨在辅助放射治疗规划，提供比现有方法更个性化的途径。与依赖参考计划的先前深度学习技术不同，该模型允许规划师指定对危及器官和计划靶体积的偏好。这种灵活性旨在提高效率和计划质量，评估表明在某些情况下其性能优于 Varian RapidPlan 模型。
-
LeCor 方法通过元学习训练改进 3D 肺肿瘤分割
研究人员开发了 LeCor，一种用于改进计算机断层扫描 (CT) 图像中 3D 肺肿瘤分割的新方法。LeCor 利用元学习的测试时训练，其中每位临床医生的纠正都作为训练信号来适应小型案例适配器。这种方法显著提高了分割精度，减少了未能达到目标精度的案例数量，并且与现有的微调方法相比，用更少的纠正轮次就能取得更好的结果。
-
新AI框架在不共享数据的情况下解决医学影像中的偏见问题
研究人员开发了一个名为多中心专家混合模型（MoME）的新框架，以解决医学AI模型中的偏见问题。该方法整合了来自不同临床中心的专业知识，而无需共享数据，从而提高了模型的泛化能力。MoME使用多模态模型对前列腺癌放疗进行了验证，证明了其在少样本训练下的性能提升以及对本地临床偏好的适应性。
-
扩散模型增强医学图像分割和质量保证 · 跟踪 2 个来源
研究人员正在探索使用扩散模型进行医学图像分割，这是放射治疗规划的关键过程。一项研究提出使用无监督扩散模型对分割任务的编码器进行预训练，显著提高了肝脏和肾脏分割的准确性，并减少了对大量标记数据的需求。另一篇论文研究了用于器官风险分割质量保证的图像条件扩散模型，在检测放射治疗规划中的细微边界错误方面显示出希望。
-
AI从低剂量扫描合成CT级图像用于放疗
研究人员开发了一个深度学习框架，使用条件去噪扩散概率模型从低剂量锥束CT（CBCT）扫描合成CT级图像。该方法旨在提高放疗计划的图像质量，减少重复高剂量CT扫描的需要。本研究特别探讨了使用物理感知CBCT表示（如滤波反投影（FDK）重建）是否能提高基于扩散的CT合成性能，与标准的DICOM CBCT图像相比。
-
AI驱动的数字孪生增强脑肿瘤预测和治疗
研究人员开发了一个AI增强的自适应数字孪生框架，用于预测脑肿瘤演变和优化治疗计划。该框架集成了反应扩散模型和3D残差学习模块，以提高准确性和实现患者特定更新。通过模型预测控制进行化学疗法和放射疗法调度，该系统在预测准确性和最终肿瘤负担减少方面显示出显著的改进。
-
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。