論文の概要: Integrating Radiomics with Deep Learning Enhances Multiple Sclerosis Lesion Delineation

• arxiv url: http://arxiv.org/abs/2506.14524v1
• Date: Tue, 17 Jun 2025 13:50:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.495265
• Title: Integrating Radiomics with Deep Learning Enhances Multiple Sclerosis Lesion Delineation
• Title（参考訳）: 深層学習と放射能の統合は多発性硬化症病変を規定する
• Authors: Nadezhda Alsahanova, Pavel Bartenev, Maksim Sharaev, Milos Ljubisavljevic, Taleb Al. Mansoori, Yauhen Statsenko,
• Abstract要約: 放射線学的特徴(集中率とR'enyiエントロピー)により,MS病変のタイプを同定し,生画像データと融合させることが提案された。 この研究は、ResNeXt-UNetアーキテクチャと注目増強されたU-Netアーキテクチャによる画像データと放射能の特徴を統合した。
• 参考スコア（独自算出の注目度）: 0.02335197906428421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Accurate lesion segmentation is critical for multiple sclerosis (MS) diagnosis, yet current deep learning approaches face robustness challenges. Aim: This study improves MS lesion segmentation by combining data fusion and deep learning techniques. Materials and Methods: We suggested novel radiomic features (concentration rate and R\'enyi entropy) to characterize different MS lesion types and fused these with raw imaging data. The study integrated radiomic features with imaging data through a ResNeXt-UNet architecture and attention-augmented U-Net architecture. Our approach was evaluated on scans from 46 patients (1102 slices), comparing performance before and after data fusion. Results: The radiomics-enhanced ResNeXt-UNet demonstrated high segmentation accuracy, achieving significant improvements in precision and sensitivity over the MRI-only baseline and a Dice score of 0.774$\pm$0.05; p<0.001 according to Bonferroni-adjusted Wilcoxon signed-rank tests. The radiomics-enhanced attention-augmented U-Net model showed a greater model stability evidenced by reduced performance variability (SDD = 0.18 $\pm$ 0.09 vs. 0.21 $\pm$ 0.06; p=0.03) and smoother validation curves with radiomics integration. Conclusion: These results validate our hypothesis that fusing radiomics with raw imaging data boosts segmentation performance and stability in state-of-the-art models.
• Abstract（参考訳）: 背景: 多発性硬化症(MS)の診断には, 正確な病変分割が重要であるが, 現在のディープラーニングアプローチでは, 堅牢性の課題に直面している。 Aim:本研究は,データ融合と深層学習を併用することにより,MS病変のセグメンテーションを改善する。 材料と方法: 異なるMS病変を特徴付ける新しい放射線学的特徴(集中率とR'enyiエントロピー)を提案, 生画像データと融合した。 この研究は、ResNeXt-UNetアーキテクチャと注目増強されたU-Netアーキテクチャによる画像データと放射能の特徴を統合した。 対象は46例 (1102スライス) で, データ融合前後のパフォーマンスを比較検討した。 結果: 放射能増強ResNeXt-UNetは高セグメンテーション精度を示し, MRIのみの基準値とDiceスコア0.774$\pm$0.05; p<0.001, Bonferroni-adjusted Wilcoxon sign-rank test。 ラジオミクスにより強化されたU-Netモデルでは、性能変動の低減(SDD = 0.18 $\pm$ 0.09 vs. 0.21 $\pm$ 0.06; p=0.03)と、ラジオミクス統合によるより滑らかな検証曲線によるモデルの安定性が証明された。 結論: これらの結果は, 放射能と生画像データとの融合が, 最先端モデルにおけるセグメンテーション性能と安定性を向上させるという仮説を検証した。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Evaluating and Improving the Effectiveness of Synthetic Chest X-Rays for Medical Image Analysis [16.272529509870147]
  下流タスクのための合成胸部X線画像を生成するベストプラクティスは、単一放出ラベルの条件付けや、幾何学的に変換されたセグメンテーションマスクである。 提案手法は, プロキシモデルを用いたり, ラジオロジカルフィードバックを用いた合成データの質を向上させる手法である。
  論文  参考訳（メタデータ） (2024-11-27T18:47:09Z)
• HIST-AID: Leveraging Historical Patient Reports for Enhanced Multi-Modal Automatic Diagnosis [38.13689106933105]
  HIST-AIDは,過去の報告から自動診断精度を高めるフレームワークである。 AUROCは6.56%増加し、AUPRCは9.51%向上した。
  論文  参考訳（メタデータ） (2024-11-16T03:20:53Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。