陽子線治療における縦断的CTレジストレーションのための、臨床情報に基づくマルチモーダル・コース・トゥ・ファイン・フレームワーク

概要: 陽子線治療は、リスク臓器（organ-at-risk）の温存において優れている一方で、解剖学的変化に対して非常に高い感度を示します。そのため、縦断的なCTスキャン間での正確な変形可能画像レジストレーション（DIR）が不可欠です。従来のDIR手法は、登場しつつあるオンライン適応ワークフローに対してしばしば処理が遅すぎることがあり、一方で既存の深層学習ベースのアプローチは、主として汎用的なベンチマークを対象に設計されているため、画像以外の臨床的に重要な情報の活用が十分でありません。このギャップに対処するため、本研究では、陽子線放射線治療ワークフローからの多モーダル情報を統合し、多様な臨床シナリオに対応できる、臨床的にスケーラブルな粗いものから細かいものへ（coarse-to-fine）の変形可能レジストレーション枠組みを提案します。本モデルは、階層的な特徴抽出のためのデュアルCNNベースエンコーダと、変形フィールドを段階的に精緻化するためのトランスフォーマーベースデコーダを用います。CT強度に加えて、標的およびリスク臓器の輪郭、線量分布、治療計画テキストといった臨床的に重要な事前知識を、解剖学に基づく注意（anatomy- and risk-guided attention）、テキストに条件付けした特徴変調（text-conditioned feature modulation）、および前景を意識した最適化（foreground-aware optimization）を通じて組み込みます。これにより、解剖学的に焦点を当て、かつ臨床的に情報を反映した変形推定が可能になります。本提案手法を、大規模な陽子線治療DIRデータセットで評価します。このデータセットは、複数の解剖領域および疾患タイプにまたがり、1,222ペアの計画CTスキャンと反復CTスキャンから構成されています。大規模な実験により、最先端手法に対して一貫した改善が示され、臨床的に意味のある高速かつ頑健なレジストレーションを実現します。