적응형 양성자 방사치료에서 윤곽 불확실성을 반영한 치료일 영상 예측을 위한 디지털 트win 프레임워크
A digital-twin framework for forecasting treatment-day imaging with contour uncertainty in adaptive proton radiotherapy
한국어 초록
6~7주에 걸친 양성자 치료 과정 동안 두경부 해부학은 변하며, 계획 수립 시점에는 이후 주차의 해부학을 영상으로 확보할 수 없다. 본 연구는 환자의 치료일 해부학을 전파된 윤곽을 포함한 예측 CT 앙상블로 예측하고, 예측 윤곽의 불확실성을 정량화하는 디지털 트win 프레임워크를 제안한다. 이 트win은 계획 CT와 주간 품질보증 CT(QACT)를 갖춘 기존 치료 환자들의 라이브러리로, 2단계 foundation model 기반 가변 정합(deformable registration)을 통해 환자 특이적으로 구성된다. 환자 간(field)은 라이브러리 환자 각각을 현재 환자에게 맞추고, 현재 환자 좌표계에서 추정한 종단(field)은 해당 환자의 계획–QACT 변화를 현재 환자의 계획 CT 위로 전달한다. 88명 환자로부터 302개 관측으로 이루어진 라이브러리는 환자당 약 300개의 복제본, 즉 실제 치료 환자에서 발생한 변형(deformation) 각각을 제공한다. 전파된 윤곽의 분산은 외향 법선 방향으로 해석되며, 밀리미터 단위의 6방향 윤곽 불확실성이다. 이는 모델 파라미터의 불확실성이 아니라, 현재 환자가 어떤 라이브러리 환자의 경로를 따를지에 대한 예측 입력의 불확실성이며, 정합 엔진을 교체해도 변하지 않는다. 두 QACT에 임상의가 그린 윤곽이 있는 10명 환자에서, 라이브러리만으로도 불확실성의 이방성 형상(4.5~6.2 mm)을 고정한다. 첫 QACT는 윤곽을 그리지 않아도 불확실성 폭을 3.2~3.6배 좁힌다. 승인된 윤곽은 중심은 개선하지만 폭은 개선하지 않는다. 추정은 방향 순서는 올바르게 맞추지만 가우시안 보정(Gaussian-calibrated)은 아니다. 임상 표적 부피(CTV) 확장을 한 가지 응용 사례로 제시한다.
원문 초록
Head-and-neck anatomy changes over a six-to-seven-week proton course, and the anatomy of a later week cannot be imaged when the plan is made. We present a digital-twin framework that forecasts a patient's treatment-day anatomy as an ensemble of predicted CTs with propagated contours and quantifies the uncertainty of the forecast contours. The twin is a library of previously treated patients with planning and weekly quality-assurance CTs (QACTs), made patient-specific by a two-step foundation-model deformable registration: a cross-patient field carries each library patient onto the current patient, and a longitudinal field, estimated in the current patient's frame, carries that patient's planning-to-QACT change onto the current patient's own planning CT. A library of 302 observations from 88 patients yields about 300 replicates per patient, each a deformation that occurred in a treated patient. The dispersion of the propagated contours, resolved by outward normal, is six-direction contour uncertainty in millimeters. This is uncertainty in the input to the forecast, which library patient the current patient follows, rather than in model parameters, and it is unchanged when the registration engine is exchanged. On ten patients with clinician contours on two QACTs, the library alone fixes the anisotropic shape of the uncertainty (4.5 to 6.2 mm); the first QACT narrows it by a factor of 3.2 to 3.6 without a contour being drawn; an approved contour improves the center but not the width. The estimate orders directions correctly but is not Gaussian-calibrated. A clinical target volume expansion is worked out as one application.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.24725v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
FFM-CP: 퓨샷 계산병리학을 위한 비전-언어 기반 모델의 교차 백본 융합
FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology
병리학 비전-언어 기반 모델은 질환과 과제에 따라 성능이 달라지며, 어떤 단일 모델도 일관되게 최고 성능을 내지 못한다. 전문가 병리 주석의 높은 비용은 과제별 적응에 사용할 수 있는 라벨 데이터를 제한하기도 한다. 상호 보완적인 사전학습 표현을 결합하는 것은 이러한 한계에 대한 잠재적 접근이지만, 소수의 라벨 예시로부터 효과적인 융합을 학습하는 것은 여전히 어렵다. 본 연구는 퓨샷 학습 설정에서 여러 병리학 비전-언어 모델을 결합하는 프레임워크인 Few-shot Fusion Foundation Models of Computational Pathology(FFM-CP)를 제안한다. 이 프레임워크는 먼저 대응하는 서포트 이미지로부터 추정한 폐형식(closed-form) 직교 프로크루스테스(Orthogonal Procrustes) 변환을 사용하여 이질적인 표현을 정렬한다. 이 정렬은 추가 정렬 네트워크를 학습하지 않고도 모델 내부 특징 기하를 보존한다. 정렬된 공간 안에서 통합 그래프는 서포트 이미지 특징과 시각·텍스트 클래스 프로토타입을 공동으로 정제함으로써 백본 간 정보 교환을 가능하게 한다. 이렇게 정제된 표현은 의미적 클래스 지식과 클래스 내 시각적 변이를 각각 포착하는 상호 보완적인 텍스트-프로토타입 분기와 케이스 검색(case-retrieval) 분기를 지원한다. 각 분기는 모든 순서화된 백본 쌍의 예측을 결합하는 방법을 학습하여, 한 모델로 인코딩된 쿼리가 다른 모델이 표현한 증거를 활용할 수 있게 한다. 우리는 6개의 조직병리학 데이터셋에서 클래스당 4, 8, 16샷 조건으로 3가지 백본 조합을 평가했다. FFM-CP는 54번 비교 중 50번에서 각 융합 집합의 개별 적응 멤버 중 가장 강한 모델보다 더 높은 평균 macro-F1을 달성했다. 이러한 결과는 주석이 제한될 때 상호 보완적인 사전학습 표현의 결합이 조직병리학 분류를 개선할 수 있음을 시사한다.
라벨 조건부 등각 예측을 활용한 라디오믹스 기반 갑상선 결절 분류
Radiomics-Based Thyroid Nodule Classification with Label-Conditional Conformal Prediction
갑상선 결절의 악성도 평가는 초음파 영상에 의존하지만, 기존의 위험 계층화 시스템은 관찰자 간 상당한 변동성으로 인해 불필요한 생검 비율이 높아지는 문제를 겪고 있습니다. 본 논문에서는 PyRadiomics를 통한 정량적 특징 추출과 일반화 가산 모델(GAM) 분류기를 결합한 라디오믹스(radiomics) 기반 프레임워크를 제안합니다. 이 분류기는 판별 성능과 해석 가능성 간의 우수한 절충점을 보여 6개의 후보 중 선정되었습니다. 점 예측을 불확실성 추정으로 보완하기 위해 라벨 조건부 보장을 갖춘 교차 등각 예측(Cross-Conformal Prediction)을 적용하여, 이진 결정을 강제하기보다는 모호한 사례를 임상 검토 대상으로 플래깅(flagging)합니다. 실험은 갑상선 결절의 공개 초음파 데이터셋인 TN5000에서 수행되었습니다. 스피어만 상관관계 필터링 후 36개의 특징이 유지되었으며, GAM은 검증 세트에서 $0.89$의 AUC, $0.83$의 민감도, $0.82$의 특이도를 달성했습니다. 두 클래스 모두에 대한 실증적 커버리지 보장을 보장하도록 선택된 유의수준 $ε=0.09$에서, 테스트 세트 결절의 63\%가 확실한(즉, 단일 라벨) 예측을 받았으며, 확실한 악성에 대해서는 $0.94$의 조건부 정밀도와 확실한 양성 사례에 대해서는 $0.73$의 조건부 음성 예측도(NPV)를 기록한 반면, 나머지 37\%는 임상의에게 의뢰되었습니다.
어디를 볼 것인가가 중요하다: 3D 의료 자기지도학습에서의 서브 볼륨 샘플링 재고
Where to Look Matters: Rethinking Sub-Volume Sampling in 3D Medical Self-supervised Learning
3D 의료 영상에서의 자기지도학습(self-supervised learning)은 일반적으로 사전학습(pre-training) 중 무작위 서브 볼륨(sub-volume) 샘플링에 의존합니다. 그러나 무작위 크롭(random cropping)은 해부학적 사전 지식과 공간적 중복성으로 인해 영역 간 표현 학습(representation learning) 가치가 본질적으로 불균등함에도 불구하고, 모든 공간 영역을 관찰할 가치가 동일한 것으로 암묵적으로 취급합니다. 이를 위해, 본 연구는 먼저 제어된 크롭 품질 조작 실험을 통해 더 나은 서브 볼륨이 더 우수한 다운스트림 전이(transfer)로 이어진다는 점을 보임으로써, 관찰 정책(observation policy)이 3D 의료 SSL에서 간과되어 온 병목 현상임을 밝힙니다. 이러한 발견에 착안하여 서브 볼륨 샘플링을 어디를 볼 것인가(\emph{where-to-look})의 문제로 재검토합니다. 우리는 무작위 크롭을 해부학 인식(\textit{anatomy-awareness}), 정보성(\textit{informativeness}), 다양성(\textit{diversity})에 기반한 오프라인 조-세밀(coarse-to-fine) 프로브 뱅크로 대체하는 플러그 앤 플레이 프레임워크인 \textbf{\method}를 제안합니다. 경량 볼륨 내재적 사전 지식만으로 충분한지, 혹은 더 풍부한 의미론적 단서가 신뢰할 수 있는 추가적인 가치를 제공하는지 검증하기 위해 기하학적 및 영상 통계적 단서를 활용하는 경량 변형인 \lite와 고정된 시각적 특징을 활용하는 진단 변형인 \feat로 \method를 구현합니다. 여러 3D 의료 SSL 백본 및 다운스트림 태스크에 걸친 광범위한 실험을 통해, \method-\lite가 무작위 샘플링 대비 전이 성능을 일관되게 향상시킴을 입증합니다. 나아가 메커니즘 분석을 통해 이러한 이득이 해부학적으로 더 타당하고 정보성이 높은 관찰, 감소된 공간적 중복성, 더 효율적인 학습 역학(learning dynamics), 그리고 더 구조화된 표현에 기인함을 밝힙니다.
분할 한계선: 명시적 좌심실 마스크가 학습 기반 박출률 회귀 성능을 개선하지 못하는 이유
The segmentation ceiling: why explicit left-ventricular masks do not improve learned ejection-fraction regression
심장초음파를 통한 좌심실 박출률(EF)의 정확한 추정은 심혈관 치료의 핵심이며, 심층 학습(deep learning)은 심장초음파 비디오로부터 자동화된 EF 예측을 가능하게 합니다. 임상적으로 EF가 좌심실(LV) 용적에서 도출되기 때문에, 명시적인 좌심실 분할(segmentation)이 예측 성능을 향상시킬 것이라는 직관이 널리 받아들여져 왔습니다. 본 연구에서는 이를 검증 가능하게 하는 정량적 기준인 '분할 한계선(segmentation ceiling)'을 제안합니다. 이완기말 및 수축기말 용적의 정규화된 차이로 정의되는 EF로부터, 프레임별 분할 영역 오차가 EF 오차로 전파되는 과정을 닫힌 형식(closed form)으로 유도하고, 이를 통해 마스크가 직접 회귀보다 성능을 개선하기 위해 도달해야 하는 정확도를 도출합니다. EchoNet-Dynamic, UniFormer-S 백본, 그리고 실증적으로 측정된 환자 내 오차 상관관계를 사용했을 때, 이 기준은 손익분기점을 프레임별 영역 오차 약 10% 부근으로 설정하는 반면, 대표적인 분할 모델은 한계선을 상회하는 약 14% 수준에서 작동합니다. 이에 부합하게 분할 또는 영역 정보를 주입하는 네 가지 전략(예측 마스크 채널, 이완기말/수축기말 클립 샘플링, 빈(bin)별 및 진폭 영역 일관성 목적 함수)은 원본 비디오 기준선(baseline)을 능가하지 못하며, 실제 정답(ground-truth) 마스크는 레이블 누출을 통해서만 도움이 됩니다. 따라서 입력 표현이 한계 요인이 아님을 보이고 일반화(generalization)를 실질적인 개선 수단으로 식별합니다. 강력한 증강과 결합된 가중치(weight) 평균화는 동일한 조밀 클립 프로토콜에서 R(2+1)D 기준선(0.811)에 필적하는 0.806의 테스트 R^2(MAE 4.08)을 달성하는 동시에 검증(validation)-테스트 간 격차를 줄입니다. 마지막으로, 이분산 베타-NLL(heteroscedastic beta-NLL) 공식화는 몬테카를로 드롭아웃(Monte-Carlo dropout)과 달리 임상적으로 더 까다로운 낮은 EF 사례에서 더 크게 나타나는 유용하고 잘 보정된 예측별 불확실성을 제공합니다. 분할 한계선은 마스크 유도 기반 EF 추정이 언제 가치가 있는지에 대한 구체적인 설계 기준과 함께 단순하고 불확실성을 고려하는 EF 회귀 레시피를 제공합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.