Fugu-MT 論文翻訳(概要): EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images

論文の概要: EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images

arxiv url: http://arxiv.org/abs/2509.11714v1
Date: Mon, 15 Sep 2025 09:11:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-16 17:26:23.212022
Title: EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images
Title（参考訳）: EMeRALDS:胸部CT画像における電子カルテ駆動肺結節自動検出と分類
Authors: Hafza Eman, Furqan Shaukat, Muhammad Hamza Zafar, Syed Muhammad Anwar,
Abstract要約: 肺がんは世界中でがん関連死亡の原因となっている。本研究では,大規模視覚言語モデル(VLM)を活用したコンピュータ支援診断(CAD)システムの開発を目的とする。提案手法はゼロショット肺結節解析において強い性能を示した。
参考スコア（独自算出の注目度）: 4.533165461983661
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Objective: Lung cancer is a leading cause of cancer-related mortality worldwide, primarily due to delayed diagnosis and poor early detection. This study aims to develop a computer-aided diagnosis (CAD) system that leverages large vision-language models (VLMs) for the accurate detection and classification of pulmonary nodules in computed tomography (CT) scans. Methods: We propose an end-to-end CAD pipeline consisting of two modules: (i) a detection module (CADe) based on the Segment Anything Model 2 (SAM2), in which the standard visual prompt is replaced with a text prompt encoded by CLIP (Contrastive Language-Image Pretraining), and (ii) a diagnosis module (CADx) that calculates similarity scores between segmented nodules and radiomic features. To add clinical context, synthetic electronic medical records (EMRs) were generated using radiomic assessments by expert radiologists and combined with similarity scores for final classification. The method was tested on the publicly available LIDC-IDRI dataset (1,018 CT scans). Results: The proposed approach demonstrated strong performance in zero-shot lung nodule analysis. The CADe module achieved a Dice score of 0.92 and an IoU of 0.85 for nodule segmentation. The CADx module attained a specificity of 0.97 for malignancy classification, surpassing existing fully supervised methods. Conclusions: The integration of VLMs with radiomics and synthetic EMRs allows for accurate and clinically relevant CAD of pulmonary nodules in CT scans. The proposed system shows strong potential to enhance early lung cancer detection, increase diagnostic confidence, and improve patient management in routine clinical workflows.
Abstract（参考訳）: 目的:肺がんは、診断の遅れと早期発見の遅れが原因で、世界中でがん関連死亡の原因となっている。本研究の目的は,CTスキャンにおける肺結節の正確な検出と分類に大規模な視覚言語モデル(VLM)を利用するコンピュータ支援診断(CAD)システムの開発である。方法:2つのモジュールからなるエンドツーエンドCADパイプラインを提案する。 (i)Segment Anything Model 2(SAM2)に基づく検出モジュール(CADe)であって、標準的な視覚的プロンプトをCLIP(Contrastive Language- Image Pretraining)で符号化されたテキストプロンプトに置き換え、 (i)分類結節と放射能の特徴の類似点を計算する診断モジュール(CADx)。臨床コンテキストを付加するために, 専門医による放射線学的評価を用いて合成電子医療記録(EMRs)を作成し, 最終分類のための類似度スコアと組み合わせた。 LIDC-IDRIデータセット(1,018CTスキャン)で試験した。結果: ゼロショット肺結節解析では高い性能を示した。 CADeモジュールのDiceスコアは0.92、IoUは0.85である。 CADxモジュールは、既存の完全に管理された方法を超え、悪性度分類のための具体性0.97に達した。結語:VLMと放射能と合成EMRの統合により、CTスキャンにおける肺結節の正確な臨床的なCADが可能になる。本システムでは,早期肺癌の検出,診断信頼性の向上,定期的な臨床ワークフローにおける患者管理の改善に強い可能性を示す。

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)
Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning [0.0]
本研究は,Segment Anything Model(SAM)と転写学習技術を組み合わせた肺結節セグメンテーションの革新的アプローチを提案する。提案手法はバウンディングボックスプロンプトとビジョントランスフォーマーモデルを利用してセグメンテーション性能を向上し,高精度なDice similarity Coefficient (DSC) とIntersection over Union (IoU) のメトリクスを実現する。以上の結果から,CT検査から肺結節を正確に抽出するモデルの有効性が示唆され,早期発見の進展と肺癌診断における患者のケア結果の改善が示唆された。
論文参考訳（メタデータ） (2024-12-31T18:21:57Z)
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)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文参考訳（メタデータ） (2023-03-02T03:34:28Z)
CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文参考訳（メタデータ） (2023-01-28T20:09:34Z)
Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文参考訳（メタデータ） (2022-07-20T06:49:02Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。