論文の概要: Structured Spectral Graph Learning for Multi-label Abnormality Classification in 3D Chest CT Scans

• arxiv url: http://arxiv.org/abs/2510.10779v1
• Date: Sun, 12 Oct 2025 19:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.104667
• Title: Structured Spectral Graph Learning for Multi-label Abnormality Classification in 3D Chest CT Scans
• Title（参考訳）: 3次元胸部CTスキャンにおけるマルチラベル異常分類のための構造化スペクトルグラフ学習
• Authors: Theo Di Piazza, Carole Lazarus, Olivier Nempont, Loic Boussel,
• Abstract要約: 3次元胸部CTスキャンのマルチラベル分類は依然として重要な課題である。 3次元畳み込みニューラルネットワークに基づく既存の手法は、長距離依存を捉えるのに苦労する。 本稿では3次元CTボリュームを構造化グラフとして表現する新しいグラフベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing volume of CT examinations, there is an increasing demand for automated tools such as organ segmentation, abnormality detection, and report generation to support radiologists in managing their clinical workload. Multi-label classification of 3D Chest CT scans remains a critical yet challenging problem due to the complex spatial relationships inherent in volumetric data and the wide variability of abnormalities. Existing methods based on 3D convolutional neural networks struggle to capture long-range dependencies, while Vision Transformers often require extensive pre-training on large-scale, domain-specific datasets to perform competitively. In this work, we propose a 2.5D alternative by introducing a new graph-based framework that represents 3D CT volumes as structured graphs, where axial slice triplets serve as nodes processed through spectral graph convolution, enabling the model to reason over inter-slice dependencies while maintaining complexity compatible with clinical deployment. Our method, trained and evaluated on 3 datasets from independent institutions, achieves strong cross-dataset generalization, and shows competitive performance compared to state-of-the-art visual encoders. We further conduct comprehensive ablation studies to evaluate the impact of various aggregation strategies, edge-weighting schemes, and graph connectivity patterns. Additionally, we demonstrate the broader applicability of our approach through transfer experiments on automated radiology report generation and abdominal CT data.\\ This work extends our previous contribution presented at the MICCAI 2025 EMERGE Workshop.
• Abstract（参考訳）: CT検査量の増加に伴い, 臓器の分別, 異常検出, 報告生成などの自動化ツールの需要が高まり, 放射線科医の作業負荷管理の支援が求められている。 3次元胸部CTスキャンのマルチラベル分類は、体積データに固有の複雑な空間的関係と異常の広範なばらつきのため、依然として重要な課題である。 既存の3D畳み込みニューラルネットワークに基づく手法では、長距離依存関係のキャプチャに苦労する一方で、Vision Transformerでは、大規模でドメイン固有のデータセットに対して、大規模な事前トレーニングが必要な場合が多い。 本研究では,3次元CTボリュームを構造化グラフとして表現する新しいグラフベースのフレームワークを提案する。このフレームワークでは,軸スライス三重項がスペクトルグラフ畳み込みによって処理されるノードとして機能し,クリニカルデプロイメントと互換性のある複雑性を維持しつつ,スライス間の依存関係を推論することができる。 本手法は, 独立系機関の3つのデータセットを学習・評価し, 強力なクロスデータセットの一般化を実現し, 最先端のビジュアルエンコーダと競合する性能を示した。 さらに、様々なアグリゲーション戦略、エッジ重み付け方式、グラフ接続パターンの影響を評価するために、包括的なアブレーション研究を行う。 さらに, 自動放射線診断レポート生成法と腹部CTデータを用いた移動実験により, 本手法の広範な適用性を実証した。 この作業は、MICCAI 2025 EMERGE Workshopで発表された以前のコントリビューションを拡張します。

関連論文リスト

• Structured Spectral Graph Learning for Anomaly Classification in 3D Chest CT Scans [0.0]
  我々は、スペクトル領域の畳み込みによって処理される軸スライス三重項ノードを利用して、CTスキャンを構造化グラフとしてモデル化し、異常分類性能を向上させる新しいグラフベースのアプローチを提案する。 本手法は,z軸変換に頑健性を実現しつつ,強力なクロスデータセットの一般化と競争性能を示す。
  論文  参考訳（メタデータ） (2025-08-01T19:52:34Z)
• Imitating Radiological Scrolling: A Global-Local Attention Model for 3D Chest CT Volumes Multi-Label Anomaly Classification [0.0]
  3次元CTスキャンのマルチラベル分類は、データの体積特性と検出すべき異常の多様性のために難しい課題である。 畳み込みニューラルネットワーク(CNN)に基づく既存のディープラーニング手法は、長距離依存を効果的に捉えるのに苦労する。 我々は,3次元CTスキャン解析において,放射線技師のスクロール挙動をエミュレートする新しいグローバルアテンションモデルCT-Scrollを提案する。
  論文  参考訳（メタデータ） (2025-03-26T15:47:50Z)
• 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
  本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。 パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-09-28T12:31:07Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。