論文の概要: REACT-KD: Region-Aware Cross-modal Topological Knowledge Distillation for Interpretable Medical Image Classification

• arxiv url: http://arxiv.org/abs/2508.02104v1
• Date: Mon, 04 Aug 2025 06:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.203307
• Title: REACT-KD: Region-Aware Cross-modal Topological Knowledge Distillation for Interpretable Medical Image Classification
• Title（参考訳）: REACT-KD : 解釈可能な医用画像分類のための地域別クロスモーダルトポロジカル知識蒸留法
• Authors: Hongzhao Chen, Hexiao Ding, Yufeng Jiang, Jing Lan, Ka Chun Li, Gerald W. Y. Cheng, Sam Ng, Chi Lai Ho, Jing Cai, Liang-ting Lin, Jung Sun Yoo,
• Abstract要約: 我々は,高忠実度マルチモーダルソースから軽量CTベースの学生モデルへリッチな監督を伝達するフレームワークREACT-KDを紹介した。 このフレームワークは二重教師設計を用いており、一方のブランチは二重軌跡PET/CTを用いて構造-機能関係をキャプチャし、他方のモデルでは低線量CTデータを合成分解して線量認識する。 PET/CTコホートでは平均93.4%のAUCを達成し、外部CT検査では76.6%から81.5%のAUCを維持している。
• 参考スコア（独自算出の注目度）: 2.195461571771795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable and interpretable tumor classification from clinical imaging remains a core challenge due to heterogeneous modality quality, limited annotations, and the lack of structured anatomical guidance. We introduce REACT-KD, a Region-Aware Cross-modal Topological Knowledge Distillation framework that transfers rich supervision from high-fidelity multi-modal sources into a lightweight CT-based student model. The framework uses a dual teacher design: one branch captures structure-function relationships using dual-tracer PET/CT, and the other models dose-aware features through synthetically degraded low-dose CT data. These branches jointly guide the student model through two complementary objectives. The first focuses on semantic alignment via logits distillation, while the second models anatomical topology using region graph distillation. A shared CBAM-3D module is employed to maintain consistent attention across modalities. To improve reliability for deployment, REACT-KD introduces modality dropout during training, allowing inference under partial or noisy inputs. The staging task for hepatocellular carcinoma (HCC) is conducted as a case study. REACT-KD achieves an average AUC of 93.4% on an internal PET/CT cohort and maintains 76.6% to 81.5% AUC across varying dose levels in external CT testing. Decision curve analysis shows that REACT-KD consistently provides the highest clinical benefit across decision thresholds, supporting its potential in real-world diagnostics. Code is available at https://github.com/Kinetics-JOJO/REACT-KD.
• Abstract（参考訳）: 臨床像からの信頼性・解釈可能な腫瘍分類は, 異質なモダリティの品質, アノテーションの限定, 構造的解剖学的ガイダンスの欠如などにより, 依然として重要な課題である。 我々は,高忠実度マルチモーダルソースから軽量CTベースの学生モデルへリッチな監視を伝達する地域対応クロスモーダルトポロジカルトポロジカル知識蒸留フレームワークREACT-KDを紹介する。 このフレームワークは二重教師設計を用いており、一方のブランチは二重軌跡PET/CTを用いて構造-機能関係をキャプチャし、他方のモデルでは低線量CTデータを合成分解して線量認識する。 これらのブランチは、2つの補完的な目的を通じて、学生モデルを共同でガイドする。 第1はロジット蒸留によるセマンティックアライメントに焦点を当て、第2は領域グラフ蒸留を用いた解剖学的トポロジーをモデル化する。 共通CBAM-3Dモジュールは、モダリティ間の一貫した注意を維持するために使用される。 デプロイメントの信頼性を向上させるため、REACT-KDはトレーニング中にモダリティのドロップアウトを導入し、部分的あるいはノイズの多い入力での推論を可能にする。 肝細胞癌 (HCC) のステージング・タスクを症例として検討した。 REACT-KDは、内部PET/CTコホートで平均93.4%のAUCを達成し、外部CT検査における様々な線量レベルに対して76.6%から81.5%のAUCを維持している。 決定曲線解析により、REACT-KDは決定しきい値を越えた最高の臨床利益を一貫して提供し、現実世界の診断におけるその可能性を支持することが示されている。 コードはhttps://github.com/Kinetics-JOJO/REACT-KDで入手できる。

関連論文リスト

• A Self-training Framework for Semi-supervised Pulmonary Vessel Segmentation and Its Application in COPD [9.487894747353659]
  本研究の目的は,半監督法を用いて肺血管を分画することであった。 提案手法であるSemi2は, 船体セグメンテーションの精度を2.3%向上し, 90.3%の精度を実現している。
  論文  参考訳（メタデータ） (2025-07-25T08:50:31Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
  深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。 sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
  論文  参考訳（メタデータ） (2025-01-22T13:54:07Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic Joint Infection Diagnosis Using CT Images and Text [0.0]
  補綴関節感染症(PJI)は重篤な合併症である。 現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。 本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
  論文  参考訳（メタデータ） (2023-05-29T11:25:57Z)
• Knowledge Distillation from Cross Teaching Teachers for Efficient Semi-Supervised Abdominal Organ Segmentation in CT [0.3959606869996231]
  本研究では、2つの教師モデルと、知識の蒸留とクロス・ラーニングを組み合わせた学生モデル、擬似ラベルに基づく一貫性正規化による半教師付き学習のための粗粒度フレームワークを提案する。 提案手法は,MICCAI FLARE 2022チャレンジによるCT画像の腹部多臓器分割作業において,Diceスコアの平均は0.8429,0.8520であった。
  論文  参考訳（メタデータ） (2022-11-11T01:20:55Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
  肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。 コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。 細気管支、動脈、静脈に対して優れた感受性を有する。
  論文  参考訳（メタデータ） (2020-12-10T15:56:08Z)

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。