論文の概要: The Protocol Genome A Self Supervised Learning Framework from DICOM Headers

• arxiv url: http://arxiv.org/abs/2509.06995v1
• Date: Wed, 03 Sep 2025 07:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.008527
• Title: The Protocol Genome A Self Supervised Learning Framework from DICOM Headers
• Title（参考訳）: DICOMヘッダによる自己監視型学習フレームワークのプロトコルゲノム
• Authors: Jimmy Joseph,
• Abstract要約: Protocol Genomeは、DICOMヘッダーから相関を学習する自己教師型学習システムである。 また,CT,MRI,CXR,ベンダ間の校正やロバスト性も向上する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this paper, we introduce the Protocol Genome, a self-supervised learning system that learns correlations from DICOM headers and achieves AUROC 0.901 (vs 0.847 baseline) and ECE 0.036 (vs 0.058) on fully held-out external validation. Our method also improves calibration and robustness across modalities (CT, MRI, CXR) and vendors. Clinical imaging is funneled through PACS/DICOM, where procedure choices (scanner make/model, sequence, kernel, kVp, TR/TE, and slice thickness) have consequences for contrast, noise, and artifact. These latent confounders impede the generalization of image-only networks across sites. We consider structured DICOM headers as a label and learn protocol-aware but clinically robust image representations. Protocol Genome obtains tokenized embeddings of de-identified header fields and models them along with image features using: (1) protocol-image contrastive learning, (2) masked protocol prediction, and (3) protocol-protocol translation. With 1.26M studies (7 health systems, 31 scanners, 3 vendors; CT, MR, CR/DR), we experiment on: (A) chest CT triage for PE, (B) brain MRI glioma grading, and (C) chest radiograph cardiomegaly detection. Relative to strong SSL baselines (SimCLR, MAE) as well as ImageNet transfer, Protocol Genome (+0.046: PE, +0.058: glioma, +0.041: cardiomegaly) is associated with higher external AUROC; 25-37% calibration improvements are obtained (p < 0.01, DeLong tests). While the gains may be task-dependent, they are preserved with 10-20% of labeled data. From a clinical point of view, the technique reduces false positives at protocol borders and is applicable in a PACS (DICOM C-FIND/C-MOVE, DICOMweb QIDO/WADO). We publish a model card and deployment guide, complete with both de-identification and bias audits.
• Abstract（参考訳）: 本稿では,DICOMヘッダから相関関係を学習し,AUROC 0.901(vs 0.847ベースライン)とECE 0.036(vs 0.058)を完全な外部検証で実現する自己教師型学習システムであるProtocol Genomeを紹介する。 また,CT,MRI,CXR,ベンダ間の校正やロバスト性も向上する。 臨床画像はPACS/DICOMで撮影され、プロシージャの選択(スキャナー製造/モデル、シーケンス、カーネル、kVp、TR/TE、スライス厚み)はコントラスト、ノイズ、アーティファクトに影響を及ぼす。 これらの潜伏した共同設立者は、画像のみのネットワークをサイト全体に一般化することを妨げている。 構造化DICOMヘッダーをラベルとみなし,プロトコル対応だが臨床的に堅牢な画像表現を学習する。 Protocol Genomeは、(1)プロトコルイメージコントラスト学習、(2)マスク付きプロトコル予測、(3)プロトコルプロトコール翻訳を用いて、識別されていないヘッダフィールドのトークン化埋め込みを取得し、画像特徴とともにモデル化する。 A) PE用胸部CTトリアージ, (B) 脳MRIグリオーマグレーディング, (C) 胸部X線撮影による心筋症の診断を行った。 強力なSSLベースライン(SimCLR, MAE)やImageNet転送と同様に、Protocol Genome(+0.046: PE, +0.058: glioma, +0.041: cardiomegaly)はより高い外部AUROCと関連付けられ、25～37%の校正改善が得られた(p < 0.01, DeLong test)。 利得はタスク依存かもしれないが、ラベル付きデータの10-20%で保存される。 臨床の観点からは,プロトコル境界における偽陽性を低減し,PACS(DICOM C-FIND/C-MOVE,DICOMweb QIDO/WADO)に適用できる。 モデルカードとデプロイメントガイドを公開し、非識別とバイアス監査の両方を完備しています。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Regional quality estimation for echocardiography using deep learning [0.6853438479513935]
  心エコー画像の画質の推定は、オペレーターを誘導し、臨床測定の精度を確保するのに有用である。 過去の研究はしばしば、心エコー図の視線精度と画質の区別に失敗する。 本研究では,画像品質を推定する3つの手法を開発し,比較した。
  論文  参考訳（メタデータ） (2024-08-01T14:20:47Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Unpaired cross-modality educed distillation (CMEDL) applied to CT lung tumor segmentation [4.409836695738518]
  我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。 我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
  論文  参考訳（メタデータ） (2021-07-16T15:58:15Z)
• Deep Multi-path Network Integrating Incomplete Biomarker and Chest CT Data for Evaluating Lung Cancer Risk [4.822738153096615]
  マルチパスマルチモーダル欠落ネットワーク(M3Net)と呼ばれる新しいネットワーク設計を提案する。 マルチモーダルデータ(CDE、バイオマーカー、CT画像など)を統合することで、マルチパスニューラルネットワークによるモダリティの欠如を考慮できる。 ネットワークは、医療画像の特徴とCDE/バイオマーカーの両方でエンドツーエンドにトレーニングしたり、単一のモダリティで予測することができる。
  論文  参考訳（メタデータ） (2020-10-19T13:55:40Z)

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。