論文の概要: Dark-Field X-Ray Imaging Significantly Improves Deep-Learning based Detection of Synthetic Early-Stage Lung Tumors in Preclinical Models

• arxiv url: http://arxiv.org/abs/2510.27679v1
• Date: Fri, 31 Oct 2025 17:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.194752
• Title: Dark-Field X-Ray Imaging Significantly Improves Deep-Learning based Detection of Synthetic Early-Stage Lung Tumors in Preclinical Models
• Title（参考訳）: Dark-Field X-ray Imaging は前立腺モデルにおける合成早期肺腫瘍の検出を深層学習により改善する
• Authors: Joyoni Dey, Hunter C. Meyer, Murtuza S. Taqi,
• Abstract要約: 低用量CT(LDCT)が肺がん検診の基準となっている。 多くの地域でLDCTのインフラが欠如しており、早期がん検出はしばしば偽陽性である。 本研究の目的は,X線暗視野撮影(DFI)が早期肺腫瘍の検出を著しく改善するかどうかを検討することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-dose computed tomography (LDCT) is the current standard for lung cancer screening, yet its adoption and accessibility remain limited. Many regions lack LDCT infrastructure, and even among those screened, early-stage cancer detection often yield false positives, as shown in the National Lung Screening Trial (NLST) with a sensitivity of 93.8 percent and a false-positive rate of 26.6 percent. We aim to investigate whether X-ray dark-field imaging (DFI) radiograph, a technique sensitive to small-angle scatter from alveolar microstructure and less susceptible to organ shadowing, can significantly improve early-stage lung tumor detection when coupled with deep-learning segmentation. Using paired attenuation (ATTN) and DFI radiograph images of euthanized mouse lungs, we generated realistic synthetic tumors with irregular boundaries and intensity profiles consistent with physical lung contrast. A U-Net segmentation network was trained on small patches using either ATTN, DFI, or a combination of ATTN and DFI channels.Results show that the DFI-only model achieved a true-positive detection rate of 83.7 percent, compared with 51 percent for ATTN-only, while maintaining comparable specificity (90.5 versus 92.9 percent). The combined ATTN and DFI input achieved 79.6 percent sensitivity and 97.6 percent specificity. In conclusion, DFI substantially improves early-tumor detectability in comparison to standard attenuation radiography and shows potential as an accessible, low-cost, low-dose alternative for pre-clinical or limited-resource screening where LDCT is unavailable.
• Abstract（参考訳）: 低用量CT(LDCT)が肺がん検診の基準となっているが、その採用とアクセシビリティは限られている。 多くの地域はLDCTのインフラを欠いているが、早期がんの検診でも、National Lung Screening Trial (NLST) では93.8%、偽陽性率は26.6%である。 X線暗視野撮影(DFI)ラジオグラフィーは肺胞の微細構造から小角散乱に敏感であり,臓器の陰影化に敏感な手法であり,ディープラーニングセグメンテーションと組み合わせることで早期肺腫瘍の検出を著しく改善できるかどうかを検討することを目的としている。 マウス肺のATTN画像とDFI画像を用いて, 境界が不規則で, 肺のコントラストに整合した強度分布を有するリアルな合成腫瘍を作製した。 U-Netセグメンテーションネットワークは、ATTN、DFI、またはATTNとDFIチャネルの組み合わせを使って、小さなパッチでトレーニングされた。その結果、DFIのみのモデルは、ATTNのみの51%と比較して、真陽性検出率83.7%に達した。 ATTNとDFIの組み合わせは79.6%の感度と97.6%の特異性を達成した。 結論として、DFIは標準減衰X線撮影と比較して早期腫瘍検出性を著しく改善し、LDCTが利用できない先クリニカルまたはリミテッドリソーススクリーニングのための、アクセス可能で低コストで低用量な代替手段としての可能性を示した。

関連論文リスト

• LMLCC-Net: A Semi-Supervised Deep Learning Model for Lung Nodule Malignancy Prediction from CT Scans using a Novel Hounsfield Unit-Based Intensity Filtering [1.2974519529978974]
  3次元CNNを用いたCTスキャン画像から結節を分類する新しいディープラーニングフレームワーク LMLCC-Net を提案する。 提案手法は91.96%の分類精度(ACC)、92.04%の感度(SEN)、91.87%の曲線下面積(AUC)を実現する。
  論文  参考訳（メタデータ） (2025-05-09T18:25:59Z)
• Unpaired Translation of Chest X-ray Images for Lung Opacity Diagnosis via Adaptive Activation Masks and Cross-Domain Alignment [7.3913562188704045]
  胸部X線ラジオグラフィー(CXR)は心肺疾患の診断とモニタリングにおいて重要な役割を担っている。 CXRの肺小ささは、しばしば解剖学的に不明瞭な構造であり、肺境界の明確な同定を阻害し、病理の局在を複雑にする。 本研究は,CXRを肺不透明度に変換し,意味的特徴を保ちながら肺不透明度に変換する無ペアCXR翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T17:26:17Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
  本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。 胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
  論文  参考訳（メタデータ） (2024-08-12T19:19:23Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Development of a Deep Learning Method to Identify Acute Ischemic Stroke Lesions on Brain CT [38.06921198677509]
  ディープラーニング技術は、自動化されたCT脳スキャンアセスメントを提供することができるが、通常は注釈付き画像を必要とする。 我々は,第3回国際ストローク裁判(IST-3)のCT脳スキャンを用いた畳み込みニューラルネットワークを用いたDLアルゴリズムを設計した。 DL法は病変の有無と側方で72%の精度が得られた。
  論文  参考訳（メタデータ） (2023-09-29T15:28:16Z)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)
• Human-level COVID-19 Diagnosis from Low-dose CT Scans Using a Two-stage Time-distributed Capsule Network [26.508614953399736]
  低線量および超低線量(LDCTとLDCT)スキャンプロトコルは、単一のX線に近い放射線被曝を減らす。 提案したAIモデルは、LDCT/ULDCTスキャンに基づいて、放射線曝露を低減した人間レベルの診断を実現する。
  論文  参考訳（メタデータ） (2021-05-31T00:49:34Z)
• COVID-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
  コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。 我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。 このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
  論文  参考訳（メタデータ） (2021-03-14T18:06:06Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)

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。