論文の概要: A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI

• arxiv url: http://arxiv.org/abs/2508.21775v1
• Date: Fri, 29 Aug 2025 16:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.121976
• Title: A Multi-Stage Fine-Tuning and Ensembling Strategy for Pancreatic Tumor Segmentation in Diagnostic and Therapeutic MRI
• Title（参考訳）: 診断・治療用MRIにおける膵腫瘍分節の多段階微調整と組立法
• Authors: Omer Faruk Durugol, Maximilian Rokuss, Yannick Kirchhoff, Klaus H. Maier-Hein,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.8413564248632825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated segmentation of Pancreatic Ductal Adenocarcinoma (PDAC) from MRI is critical for clinical workflows but is hindered by poor tumor-tissue contrast and a scarcity of annotated data. This paper details our submission to the PANTHER challenge, addressing both diagnostic T1-weighted (Task 1) and therapeutic T2-weighted (Task 2) segmentation. Our approach is built upon the nnU-Net framework and leverages a deep, multi-stage cascaded pre-training strategy, starting from a general anatomical foundation model and sequentially fine-tuning on CT pancreatic lesion datasets and the target MRI modalities. Through extensive five-fold cross-validation, we systematically evaluated data augmentation schemes and training schedules. Our analysis revealed a critical trade-off, where aggressive data augmentation produced the highest volumetric accuracy, while default augmentations yielded superior boundary precision (achieving a state-of-the-art MASD of 5.46 mm and HD95 of 17.33 mm for Task 1). For our final submission, we exploited this finding by constructing custom, heterogeneous ensembles of specialist models, essentially creating a mix of experts. This metric-aware ensembling strategy proved highly effective, achieving a top cross-validation Tumor Dice score of 0.661 for Task 1 and 0.523 for Task 2. Our work presents a robust methodology for developing specialized, high-performance models in the context of limited data and complex medical imaging tasks (Team MIC-DKFZ).
• Abstract（参考訳）: MRIによる膵管腺癌 (PDAC) の自動切除は, 臨床ワークフローにおいて重要であるが, 腫瘍像のコントラストの低さや, 注記データの不足によって妨げられている。 本稿では、診断T1重み付け(Task)と診断T1重み付け(Task)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。 1)T2強調療法(Task) 2)セグメンテーション。 本手法は nnU-Net フレームワーク上に構築され, 一般的な解剖学的基盤モデルから, CT 膵病変データセットおよび対象MRI モダリティの逐次的微調整に至るまで, 深く多段階の事前訓練戦略を利用する。 5倍のクロスバリデーションにより,データ拡張スキームとトレーニングスケジュールを体系的に評価した。 分析の結果,攻撃的データ拡張がボリューム精度を最大に向上する一方で,デフォルトデータ拡張により境界精度が向上した(最先端のMASDが5.46mm,HD95が17.33mm,タスク1が17.33mm)。 最終的な提出のために、私たちはこの発見を利用して、専門モデルのカスタムで異質なアンサンブルを構築しました。 このメートル法を意識したアンサンブル戦略は,第1タスクが0.661点,第2タスクが0.523点,第1タスクが0.661点,第2タスクが0.523点であった。 我々の研究は、限られたデータと複雑な医療画像タスク(Team MIC-DKFZ)の文脈において、専門的かつ高性能なモデルを開発するための堅牢な方法論を提案する。

関連論文リスト

• Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-28T21:38:06Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• 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)
• A Data-Efficient Pan-Tumor Foundation Model for Oncology CT Interpretation [17.993838581176902]
  PASTAは、46の腫瘍学タスクのうち45の最先端のパフォーマンスを達成するパン腫瘍CT基盤モデルである。 PASTA-Genは、ピクセルレベルのアノテート病変とペア構造レポートを備えた3万個のCTスキャンの包括的なデータセットを生成する。
  論文  参考訳（メタデータ） (2025-02-10T05:45:03Z)
• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)

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。