Fugu-MT 論文翻訳(概要): Unmasking Interstitial Lung Diseases: Leveraging Masked Autoencoders for Diagnosis

論文の概要: Unmasking Interstitial Lung Diseases: Leveraging Masked Autoencoders for Diagnosis

arxiv url: http://arxiv.org/abs/2508.04429v1
Date: Wed, 06 Aug 2025 13:16:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.73432
Title: Unmasking Interstitial Lung Diseases: Leveraging Masked Autoencoders for Diagnosis
Title（参考訳）: 非マスク性間質性肺疾患 : マスケード型オートエンコーダの診断への応用
Authors: Ethan Dack, Lorenzo Brigato, Vasilis Dedousis, Janine Gote-Schniering, Cheryl, Hanno Hoppe, Aristomenis Exadaktylos, Manuela Funke-Chambour, Thomas Geiser, Andreas Christe, Lukas Ebner, Stavroula Mougiakakou,
Abstract要約: Masked Autoencoders (MAE) は、非競合データに対する事前トレーニングのための強力なアプローチとして登場した。我々は,5,000以上の胸部CT(CT)スキャンを収集し,MAEを訓練した。トレーニング済みのMAEは、拡散性肺疾患の診断のための下流分類タスクに基づいて微調整される。
参考スコア（独自算出の注目度）: 0.3187482513047917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Masked autoencoders (MAEs) have emerged as a powerful approach for pre-training on unlabelled data, capable of learning robust and informative feature representations. This is particularly advantageous in diffused lung disease research, where annotated imaging datasets are scarce. To leverage this, we train an MAE on a curated collection of over 5,000 chest computed tomography (CT) scans, combining in-house data with publicly available scans from related conditions that exhibit similar radiological patterns, such as COVID-19 and bacterial pneumonia. The pretrained MAE is then fine-tuned on a downstream classification task for diffused lung disease diagnosis. Our findings demonstrate that MAEs can effectively extract clinically meaningful features and improve diagnostic performance, even in the absence of large-scale labelled datasets. The code and the models are available here: https://github.com/eedack01/lung_masked_autoencoder.
Abstract（参考訳）: マスケードオートエンコーダ (MAE) は、頑健で情報に富んだ特徴表現を学習できる、未学習データに対する事前学習のための強力なアプローチとして登場した。これは、注釈付き画像データセットが不足している拡散性肺疾患の研究において特に有利である。これを活用するために,5,000以上の胸部CT(Central Computed Tomography)スキャンのキュレートされたコレクションにMAEをトレーニングし,内部データと新型コロナウイルスや細菌性肺炎などの類似の放射線学的パターンを示す関連条件の公開スキャンを併用した。トレーニング済みのMAEは、拡散性肺疾患の診断のための下流分類タスクに基づいて微調整される。以上の結果から,MAEは大規模ラベル付きデータセットが存在しない場合でも,臨床的に有意な特徴を効果的に抽出し,診断性能を向上させることができることが示された。コードとモデルはここで入手できる。 https://github.com/eedack01/lung_masked_autoencoder。

関連論文リスト

Lung Nodule-SSM: Self-Supervised Lung Nodule Detection and Classification in Thoracic CT Images [0.36832029288386137]
肺癌はここ数十年で最も致命的な種類のがんである。注釈付き医用画像データの限られた利用は、正確なコンピュータ支援診断(CAD)システムの開発においてボトルネックとなっている。本稿では,DINOv2をバックボーンとする自己教師型学習システム「LungNodule-SSM」を提案する。
論文参考訳（メタデータ） (2025-05-21T05:13:11Z)
MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。本稿では,データ合成における生成モデルの利用について検討する。本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
論文参考訳（メタデータ） (2024-12-04T16:34:22Z)
Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文参考訳（メタデータ） (2024-07-02T19:30:25Z)
Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文参考訳（メタデータ） (2023-10-05T07:48:55Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文参考訳（メタデータ） (2023-05-02T01:04:22Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。オープンソースデータのトレーニングやテストでは,結果は異例です。データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文参考訳（メタデータ） (2021-09-14T10:59:11Z)
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)
Classification and Segmentation of Pulmonary Lesions in CT images using a combined VGG-XGBoost method, and an integrated Fuzzy Clustering-Level Set technique [0.0]
現在の肺疾患の診断は、時間を消費し、この分野の専門家を必要とする人的資源によって行われる。我々のゴールは、肺病変を高精度に検出・分類し、CTスキャン画像に分類するシステムを開発することである。
論文参考訳（メタデータ） (2021-01-04T13:25:13Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。