基于 Transformer 的剂量图预测在临床可接受扰动下的鲁棒性
计算机视觉与模式识别
2026-05-05 v1
摘要
基于学习的剂量图预测作为强度调制放射治疗（IMRT）中迭代逆向计划的快速替代方案，但其在现实分布迁移下的鲁棒性尚不明确。我们研究了一个将解剖学（CT 和轮廓）映射到剂量并进一步映射到束斑剂量图的两阶段 Transformer 流水线。我们比较了剂量图阶段的 Transformer 主干网络，包括层次化注意力、全局注意力和混合注意力，采用物理信息损失进行训练，以确保能量一致性。通过对几何扰动、辐射测量噪声、减少训练数据以及领域迁移进行评估，使用前列腺 IMRT 数据集，并对剂量阶段在公开数据集上进行额外评估。结果表明，在适度扰动下表现平滑退化，但在严重旋转和噪声情况下会出现尖锐失效。层次化 Transformer（如 SwinUNETR）在上四分位能量误差增长方面表现较慢，表明其鲁棒性更好。我们进一步表明，仅用 SSIM 无法捕捉临床相关的错误，凸显了采用物理信息评估的必要性。
关键词
引用
@article{arxiv.2605.00904,
title = {Robustness of Transformer-Based Fluence Map Prediction Under Clinically Realistic Perturbations},
author = {Ujunwa Mgboh and Rafi Ibn Sultan and Joshua Kim and Kundan Thind and Dongxiao Zhu},
journal= {arXiv preprint arXiv:2605.00904},
year = {2026}
}
备注
Accepted by The Artificial Intelligence in Medicine (AIME) 2026 Conference