CAP-DIR利用临床信息与形变历史实现自适应放疗个性化图像配准
Personalising Deformable Image Registration with Clinical Context and Deformation History for Adaptive Radiotherapy
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Caiwen Jiang, Songlin Zhao, Yuzhen Ding, Jia Mi, Samir H. Patel, Alexandra Bennett, Keldon K. Lin, Terence T. Sio, Jonathan B. Ashman, Lisa A. McGee, Jean-Claude M. Rwigema, William G. Rule, Sameer R. Keole, Sujay A. Vora, William W. Wong, Nathan Y. Yu, Michele Y. Halyard, Steven E. Schild, Safia K. Ahmed, Daniel J. Ma, Robert L. Foote, Michelle A. Neben Wittich, Thomas J. Whitaker, Haibo Lin, Dinggang Shen, Wei Liu
基于论文摘要，作者提出CAP-DIR，将源图像轮廓、剂量、临床文本和既往配准特征用于个性化形变图像配准。在3,473名患者、16,361次CT检查、四个机构队列和五个公开基准上的评估显示，CAP-DIR相较最强学习型比较方法的器官危险区内部测试归一化互相关从84.76%提升至96.92%，并在20个纵向病例盲法评审中提高临床可接受轮廓比例、降低估计编辑时间，同时使全局剂量映射误差降低34.5%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org