PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.16036v2eess.IV

임상 배포된 흉부 방사선치료 자동 윤곽선 추출을 위한 해부학적 변화 인식 양방향 선택적 상태 공간 메모리

Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring

우리는 방사선치료 자동 윤곽선 추출에서 지속되어 온 세 가지 문제, 즉 슬라이스 간 표면 불일치, 저대조 소형 표적에 대한 체계적인 실패, 그리고 증례별 신뢰도 신호의 부재를 해결하는 흉부 위험장기(OAR) 및 표적 체적 분할을 위한 2.5D 아키텍처 DAMM-Net++을 개발했다. 핵심 구성 요소는 평면 간(through-plane) 해부학적 변화를 모델링하고 축상 슬라이스 시퀀스를 따라 컨텍스트를 선택적으로 전파하는 해부학적 변화 인식 양방향 선택적 상태 공간 메모리이다. 경계 인식 디코더는 표면 인근 예측을 선명하게 하며, 불확실성 헤드는 임상 분류(triage)를 위한 보정된 복셀 단위 신뢰도를 제공한다. 우리는 4개 기관에 걸친 2,146명의 환자, 독립적인 외부 코호트 112명, 그리고 305개 증례에 대해 17명의 방사선종양학과 전문의가 참여한 다기관 판독자 연구를 통해 모델을 평가했다. 모델은 평균 Dice 0.955와 HD95 3.78mm를 달성했으며, 평면 간 컨텍스트가 가장 중요한 저대조 위험장기(OAR) 및 표적 체적에서 가장 큰 개선을 보였다. 불확실성 헤드는 잘 보정되어 있으며 증례 단위 분류를 지원한다. 판독자 연구에서 AI 보조는 경력 수준 전반에 걸쳐 윤곽선 추출 시간을 75~80% 단축시켰고, 주니어 판독자의 IoU를 0.861에서 0.925로 향상시켜 수정되지 않은 모델 수준에 도달했다. 외부 검증에서는 내부 대비 외부 성능의 소폭 하락(<5%)이 나타났으며, 보정된 불확실성은 재보정 없이도 전이되었다. DICOM 수집부터 TPS 호환 RTSTRUCT 내보내기에 이르는 전체 배포 파이프라인이 협력 병원의 임상 워크플로우에 통합되어 윤곽선 추출을 보조하는 데 사용되고 있다. 이러한 결과는 해부학적으로 동기화된 슬라이스 간 메모리가 불확실성 기반 검토와 결합될 때 흉부 자동 윤곽선 추출을 위한 임상적으로 실현 가능한 경로를 제공함을 시사한다.

arXiv:2607.22539v1math.OC

방사선 치료 스케줄링을 위한 최적화 모델 비교

Comparing Optimization Models for Radiotherapy Scheduling

방사선 치료 스케줄링 문제(Radiotherapy Scheduling Problem, RTSP)는 방사선 치료를 받는 환자들에 대한 최적 일정을 결정하는 문제로, 방사선 치료가 암 치료에서 핵심적인 역할을 하므로 임상 결과에 큰 영향을 미치는 과업이다. 하루가 끝날 때 새로 도착한 모든 환자를 함께 스케줄링하는 일일 배치 접근법은 정수 선형 계획(Integer Linear Programming)으로 모델링되며, 현재 RTSP에 대한 가장 효과적인 방법 중 하나이다. 그러나 이러한 형식화는 시간과 메모리 측면에서 상당한 계산 자원을 필요로 한다. 본 연구에서는 RTSP First Fit과 RTSP Best Fit이라는 두 가지 새로운 탐욕적 휴리스틱(greedy heuristics)을 개발하고, 이를 시뮬레이티드 어닐링(Simulated Annealing, SA) 접근법의 구성적 휴리스틱(constructive heuristics)으로 사용하여 스케줄링을 최적화함으로써 이러한 한계를 해결한다. 제안된 방법——휴리스틱 단독 및 SA와의 결합——은 공개 데이터셋에서 두 가지 서로 다른 최신 정확 솔버(exact solvers)로 풀린 정수 선형 프로그램(integer linear program) 형식화와 비교하여 평가된다. 평가 지표에는 환자 대기 시간, 선호도 충족, 선형 가속기(linear accelerator) 배정 변경(네 가지 서로 다른 가중치 구성으로 집계)을 포착하는 여섯 가지 스케줄링 목표, 풀이 시간, 메모리 소비가 포함된다. 결과는 새로운 휴리스틱이 정확한 방법들의 해에 근접한 해를 달성하면서 실행 시간과 메모리 사용량을 극적으로 줄인다는 것을 보여준다. 또한 SA와 결합하면 실행 시간과 메모리 사용량을 낮게 유지하면서 해의 품질을 더욱 향상시킨다.

arXiv:2607.11949v1eess.IV

BAT-RM: 임상 배포된 자궁경부암 방사선 치료 자동 윤곽 작성을 위한 경계 인식 트랜스포머와 영역 인식 다방향 Mamba

BAT-RM: A Boundary-Aware Transformer with Region-Aware Multi-Directional Mamba for Clinically Deployed Cervical Cancer Radiotherapy Auto-Contouring

우리는 자궁경부암 방사선 치료 계획을 위한 임상 배포된 종단 간 자동 윤곽 작성 시스템을 제시한다. 이 시스템은 Boundary-Aware Transformer with Region-Aware Mamba(BAT-RM)를 핵심으로 하며, Sobel 게이트 기반 경계 어텐션, 장거리 문맥을 위한 선형 시간 다방향 Mamba 모듈, 그리고 경계-골격 유도 융합 게이트를 통합한 하이브리드 아키텍처이다. 이 설계는 장거리 문맥 모델링에 선형 시간 복잡도를 달성하여, 전체 공간 자기 어텐션의 이차 비용을 피한다. 전체 파이프라인은 다기관 데이터 수집, 엄격한 평가자 간 품질 보증, 독립 코호트에서의 외부 검증, 그리고 Varian, RayStation, Monaco와 네이티브 호환되는 웹 기반 임상 인터페이스까지 아우른다. 4개의 베이스라인과 비교하여 BAT-RM은 7개 해부학적 클래스 전반에서 우수한 성능을 달성했으며, GTV와 CTV를 포함한 표적 부피와 직장, 방광 같은 위험 장기에서 통계적으로 유의한 개선을 보였다. 13명의 방사선 종양학과 의사가 참여한 전향적 다기관 판독자 연구는 AI 보조가 초급 종양학과 의사의 IoU를 0.899에서 0.965로 높여 시니어 수준의 정확도에 근접하게 하면서, 윤곽 작성 시간을 80% 이상 단축했음을 보여주었다. 이 시스템은 전문가 자문 비율도 낮추고 판독자 간 일관성을 개선하여, 효율성과 품질 보증 모두에서의 이점을 반영했다. 파트너 병원에서의 임상 배포 이후, 이 시스템은 추가 인력 없이 환자 대기 시간을 며칠에서 몇 시간으로 단축하여, 일반적인 경우 당일 또는 익일 치료 시작을 가능하게 했다. BAT-RM은 데이터 큐레이션에서 임상 배포에 이르는 엄격한 연구 파이프라인이, 방사선 치료 수요가 전문의 역량을 크게 초과하는 자원 제약 환경에서 측정 가능한 환자 이익으로 직접 전환될 수 있음을 보여준다.

arXiv:2603.09448v2cs.CV

제로샷 표적 볼륨 자동 윤곽 설정을 위한 가이드라인 인식 AI 에이전트

A Guideline-Aware AI Agent for Zero-Shot Target Volume Auto-Delineation

방사선 치료에서 임상 표적 볼륨(CTV) 자동 윤곽화를 위해 텍스트 가이드라인을 3D 표적 윤곽으로 변환하는 제로샷 AI 에이전트 프레임워크 OncoAgent를 제안하며, 재학습 없이 식도암 CTV에서 DSC 0.842를 달성해 완전 지도학습 nnU-Net과 동등한 성능을 보였다. 맹검 임상 평가에서 의사들은 가이드라인 준수도와 임상 수용성 면에서 OncoAgent를 지도학습 기준 모델보다 유의미하게 선호했다.