論文の概要: Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg

• arxiv url: http://arxiv.org/abs/2508.21227v1
• Date: Thu, 28 Aug 2025 21:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.881152
• Title: Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg
• Title（参考訳）: Auto3DSeg を用いた軽度MRIによる膵癌の自動切除
• Authors: Keshav Jha, William Sharp, Dominic LaBella,
• Abstract要約: SegResNetモデルは、2025年のPANTHER Challengeの一環として、2つのMRIベースの膵腫瘍セグメンテーションタスクで訓練され、評価された。 性能はやや低かったが, 自動デライン化の可能性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate delineation of pancreatic tumors is critical for diagnosis, treatment planning, and outcome assessment, yet automated segmentation remains challenging due to anatomical variability and limited dataset availability. In this study, SegResNet models, as part of the Auto3DSeg architecture, were trained and evaluated on two MRI-based pancreatic tumor segmentation tasks as part of the 2025 PANTHER Challenge. Algorithm methodology included 5-fold cross-validation with STAPLE ensembling after focusing on an anatomically relevant region-of-interest. The Pancreatic Tumor Segmentation on Diagnostic MRI task 1 training set included 91 T1-weighted arterial contrast-enhanced MRI with expert annotated pancreas and tumor labels. The Pancreatic Tumor Segmentation on MR-Linac task 2 training set used 50 T2-weighted MR-Linac cases with expert annotated pancreas and tumor labels. Algorithm-automated segmentation performance of pancreatic tumor was assessed using Dice Similarity Coefficient (DSC), 5 mm DSC, 95th percentile Hausdorff Distance (HD95), Mean Average Surface Distance (MASD), and Root Mean Square Error (RMSE). For Task 1, the algorithm achieved a DSC of 0.56, 5 mm DSC of 0.73, HD95 of 41.1 mm, MASD of 26.0 mm, and RMSE of 5164 mm. For Task 2, performance decreased, with a DSC of 0.33, 5 mm DSC of 0.50, HD95 of 20.1 mm, MASD of 7.2 mm, and RMSE of 17,203 mm. These findings illustrate the challenges of MRI-based pancreatic tumor segmentation with small datasets, highlighting variability introduced by different MRI sequences. Despite modest performance, the results demonstrate potential for automated delineation and emphasize the need for larger, standardized MRI datasets to improve model robustness and clinical utility.
• Abstract（参考訳）: 膵腫瘍の正確な脱線は診断,治療計画,予後評価に重要であるが,解剖学的変動とデータセットの可用性の制限により,自動セグメンテーションは依然として困難である。 In this study, SegResNet model, as as the Auto3DSeg architecture, and evaluation on two MRI-based pancreatic tumor segmentation tasks as part of the 2025 PANTHER Challenge。 アルゴリズム手法は、解剖学的に関係のある関心領域に着目した後、STAPLEアンサンブルを用いた5倍のクロスバリデーションを含む。 診断用MRIタスク1の膵腫瘍切開には, 91T1強調造影MRIと, 専門家のアノテート膵臓, 腫瘍ラベルを併用した。 MR-Linac Task 2 トレーニングセットの膵腫瘍分節は,50 T2-weighted MR-Linac case with expert annotated pancreas and tumor labels を用いた。 Dice similarity Coefficient (DSC), 5 mm DSC, 95th percentile Hausdorff Distance (HD95), Mean Average Surface Distance (MASD), Root Mean Square Error (RMSE) を用いて膵腫瘍の自動分画性能を評価した。 Task 1では、DSCが0.56、DSCが5mm、HD95が41.1mm、MASDが26.0mm、RMSEが5164mmに達した。 タスク2では性能が低下し、DSCは0.33、DSCは5mm、HD95は20.1mm、MASDは7.2mm、RMSEは17,203mmとなった。 以上の結果から,MRIによる膵腫瘍分節化の課題が示唆された。 軽度の性能にもかかわらず、結果は自動デライン化の可能性を示し、モデルの堅牢性と臨床的有用性を改善するために、より大きく標準化されたMRIデータセットの必要性を強調した。

関連論文リスト

• A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI [7.8413564248632825]
  本稿では、診断T1重み付け(Task1)と治療T2重み付け(Task2)の両方に対処するPANTHERチャレンジへの提案について詳述する。 我々のアプローチはnnU-Netフレームワーク上に構築されており、深いマルチステージの事前学習戦略を活用しています。 分析の結果,アグレッシブなデータ拡張によって高いボリューム精度が得られた,重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-08-29T16:50:29Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
  この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。 このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
  論文  参考訳（メタデータ） (2023-02-11T04:30:40Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Automatic Brain Tumor Segmentation with Scale Attention Network [1.7767466724342065]
  マルチモーダル脳腫瘍チャレンジ2020(BraTS 2020)は、マルチパラメトリック磁気共鳴イメージング(mpMRI)で異なる自動アルゴリズムを比較する共通のプラットフォームを提供する 本稿では,異なるスケールで特徴写像から高レベルな意味論を取り入れた,低レベルな細部を取り入れた動的スケールアテンション機構を提案する。 術式はBraTS 2020で提供した369症例を用いて訓練し, 平均Dice similarity Coefficient (DSC) は0.8828, 0.8433, 0.8177, Hausdorff は95%, 5.2176, 17.9697, 13.4298 であった。
  論文  参考訳（メタデータ） (2020-11-06T04:45:49Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。