論文の概要: Text Embedded Swin-UMamba for DeepLesion Segmentation

• arxiv url: http://arxiv.org/abs/2508.06453v1
• Date: Fri, 08 Aug 2025 16:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.312437
• Title: Text Embedded Swin-UMamba for DeepLesion Segmentation
• Title（参考訳）: 深層セグメンテーションのためのテキスト埋め込みスイムンバ
• Authors: Ruida Cheng, Tejas Sudharshan Mathai, Pritam Mukherjee, Benjamin Hou, Qingqing Zhu, Zhiyong Lu, Matthew McAuliffe, Ronald M. Summers,
• Abstract要約: 大きな言語モデル(LLM)を病変分割ワークフローに統合することで、画像特徴と放射線診断レポートからの病変特性の記述を組み合わせることができる。 本研究では,病変分割作業におけるSwin-UMambaアーキテクチャへのテキスト統合の可能性について検討した。
• 参考スコア（独自算出の注目度）: 6.654483111362868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of lesions on CT enables automatic measurement for clinical assessment of chronic diseases (e.g., lymphoma). Integrating large language models (LLMs) into the lesion segmentation workflow offers the potential to combine imaging features with descriptions of lesion characteristics from the radiology reports. In this study, we investigate the feasibility of integrating text into the Swin-UMamba architecture for the task of lesion segmentation. The publicly available ULS23 DeepLesion dataset was used along with short-form descriptions of the findings from the reports. On the test dataset, a high Dice Score of 82% and low Hausdorff distance of 6.58 (pixels) was obtained for lesion segmentation. The proposed Text-Swin-UMamba model outperformed prior approaches: 37% improvement over the LLM-driven LanGuideMedSeg model (p < 0.001),and surpassed the purely image-based xLSTM-UNet and nnUNet models by 1.74% and 0.22%, respectively. The dataset and code can be accessed at https://github.com/ruida/LLM-Swin-UMamba
• Abstract（参考訳）: CT上の病変の分離は、慢性疾患(例えばリンパ腫)の臨床的評価のための自動測定を可能にする。 大規模言語モデル(LLM)を病変分割ワークフローに統合することにより,画像特徴と病変特性の記述を併用することが可能になる。 本研究では,病変分割作業におけるSwin-UMambaアーキテクチャへのテキスト統合の可能性について検討した。 ULS23 DeepLesionデータセットは、レポートの調査結果を簡潔に記述すると共に、公開されている。 その結果,82%の高Diceスコアと6.58ピクセルの低ハウスドルフ距離が得られた。 LLM駆動のLanGuideMedSegモデル(p < 0.001)よりも37%改善し、純画像ベースのxLSTM-UNetモデルとnnUNetモデルをそれぞれ1.74%、0.22%上回った。 データセットとコードはhttps://github.com/ruida/LLM-Swin-UMambaでアクセスできます。

関連論文リスト

• Automatic Fine-grained Segmentation-assisted Report Generation [3.6341072547314037]
  本稿では,レポート生成のためのLLaVAアーキテクチャの拡張であるASaRGを紹介する。 提案手法は,LLaVAベースラインに比べてCE F1スコアが0.89%向上した。 私たちのコードは後日公開される予定です。
  論文  参考訳（メタデータ） (2025-07-22T14:16:20Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。 SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
  臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する 深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。 良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。 修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
  論文  参考訳（メタデータ） (2022-11-24T02:55:20Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation [8.354517822940783]
  創傷分割マップを高一般化能力で作成するための深層学習手法を提案する。 提案手法では, 深部神経回路が創位置を検出し, 非形態的背景から創を分離し, 創節分割マップを算出した。
  論文  参考訳（メタデータ） (2021-11-02T13:39:13Z)
• Modelling brain lesion volume in patches with CNN-based Poisson Regression [0.0]
  本研究では,磁気共鳴(MR)画像から予め定義されたパッチサイズにおける病変ボクセル数を推定するために,効率的な計算コストの高いCNNを実装した。 ISLES2015 (SISS) データを用いて, 原像から病変の体積を推定することにより, 86%のサンプルパッチに対して, 病変像をより大きい病変量で正確に同定した。
  論文  参考訳（メタデータ） (2020-11-26T21:11:15Z)

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。