論文の概要: Unstable Prompts, Unreliable Segmentations: A Challenge for Longitudinal Lesion Analysis

• arxiv url: http://arxiv.org/abs/2507.19230v1
• Date: Fri, 25 Jul 2025 12:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.959897
• Title: Unstable Prompts, Unreliable Segmentations: A Challenge for Longitudinal Lesion Analysis
• Title（参考訳）: 不安定なプロンプトと信頼できないセグメンテーション : 縦断的病変解析への挑戦
• Authors: Niels Rocholl, Ewoud Smit, Mathias Prokop, Alessa Hering,
• Abstract要約: 本稿では,ULS23セグメンテーションモデルの性能を経時的に検討する。 本報告では, スキャン間登録誤りによる経過観察におけるセグメンテーション品質の急激な低下と, その後の病変対応過程の崩壊の2つの重要な障害モードを同定した。
• 参考スコア（独自算出の注目度）: 0.5537760992845262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal lesion analysis is crucial for oncological care, yet automated tools often struggle with temporal consistency. While universal lesion segmentation models have advanced, they are typically designed for single time points. This paper investigates the performance of the ULS23 segmentation model in a longitudinal context. Using a public clinical dataset of baseline and follow-up CT scans, we evaluated the model's ability to segment and track lesions over time. We identified two critical, interconnected failure modes: a sharp degradation in segmentation quality in follow-up cases due to inter-scan registration errors, and a subsequent breakdown of the lesion correspondence process. To systematically probe this vulnerability, we conducted a controlled experiment where we artificially displaced the input volume relative to the true lesion center. Our results demonstrate that the model's performance is highly dependent on its assumption of a centered lesion; segmentation accuracy collapses when the lesion is sufficiently displaced. These findings reveal a fundamental limitation of applying single-timepoint models to longitudinal data. We conclude that robust oncological tracking requires a paradigm shift away from cascading single-purpose tools towards integrated, end-to-end models inherently designed for temporal analysis.
• Abstract（参考訳）: 縦断的病変解析は腫瘍治療において重要であるが, 自動的道具は時間的整合性に苦慮することが多い。 普遍的な病変分割モデルは進歩しているが、通常は単一時間ポイント用に設計されている。 本稿では,ULS23セグメンテーションモデルの性能を経時的に検討する。 ベースラインとフォローアップCTのパブリックな臨床データセットを用いて、時間とともに病変を分類・追跡するモデルの能力を評価した。 今回我々は,スキャン間登録誤りによる追跡症例のセグメンテーション品質の急激な低下と,病変対応過程の崩壊という2つの重要な障害モードを同定した。 この脆弱性を系統的に調査するため, 本研究は, 入力量を真の病変中心に対して人工的に変位させる制御実験を行った。 以上の結果から, 本モデルの性能は中心病変の仮定に大きく依存していることが示唆された。 これらの結果から,長手データに単一時間点モデルを適用する場合の基本的限界が明らかとなった。 我々は、ロバストなオンコロジー追跡には、時間的分析のために本質的に設計された統合されたエンドツーエンドモデルへの、単一目的のツールのカスケードからパラダイムシフトが必要であると結論付けている。

関連論文リスト

• Imputation of Missing Data in Smooth Pursuit Eye Movements Using a Self-Attention-based Deep Learning Approach [0.0]
  本稿では,時系列に自己注意型Imputation Networkを用いた新しいImputationフレームワークを提案する。 我々は、スムーズな追従眼球運動シーケンスを表現するために、カスタムメイドのオートエンコーダを用いて、インプテッドデータを洗練する。 その結果,再建眼球運動系列の精度は有意に向上した。
  論文  参考訳（メタデータ） (2025-05-31T13:10:30Z)
• Generalizable automated ischaemic stroke lesion segmentation with vision transformers [0.7400397057238803]
  拡散強調画像(DWI)は虚血性脳梗塞において最も高い発現率を示す。 したがって、現在のU-Netベースのモデルは、不適切な評価指標によってアクセント付けられる問題として、性能が劣っている。 本稿ではこれらの課題に対処する高性能なDWI病変分割ツールを提案する。
  論文  参考訳（メタデータ） (2025-02-10T19:00:00Z)
• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Longitudinal Segmentation of MS Lesions via Temporal Difference Weighting [2.0168790328644697]
  本稿では,ベースラインとフォローアップスキャンの時間的差を,差分重みブロックと呼ばれるユニークなアーキテクチャ的帰納バイアスによって明示的に取り込む新しい手法を提案する。 本研究は,2つのデータセットにまたがる最先端の縦・単点モデルと比較して,病変のセグメンテーションおよび病変検出において優れたスコアを得る。
  論文  参考訳（メタデータ） (2024-09-20T11:30:54Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• Clustering Left-Censored Multivariate Time-Series [2.4493299476776778]
  クラスタリング作業における左検閲の干渉を軽減することに注力する。 検閲時間を補正しながらクラスタリングする時系列データの深い生成的連続時間モデルを開発する。 合成データに正確、安定、かつ解釈可能な結果を示します。
  論文  参考訳（メタデータ） (2021-02-13T21:22:40Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。