論文の概要: A Second-Order Attention Mechanism For Prostate Cancer Segmentation and Detection in Bi-Parametric MRI
- arxiv url: http://arxiv.org/abs/2511.05760v1
- Date: Fri, 07 Nov 2025 23:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.566525
- Title: A Second-Order Attention Mechanism For Prostate Cancer Segmentation and Detection in Bi-Parametric MRI
- Title（参考訳）: Bi-Parametric MRIにおける前立腺癌分離・検出のための第2次注意機構
- Authors: Mateo Ortiz, Juan Olmos, Fabio Martínez,
- Abstract要約: 本研究は,csPCaの病変を検出するために,専用セグメンテーションネットワークをスキップ接続を介してガイドする2階幾何学的注意(SOGA)機構を導入する。
提案機構は標準のU-NetとnnU-Netのバックボーンに統合され、PI-CAIデータセットで検証された。
- 参考スコア（独自算出の注目度）: 1.8479558716666358
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The detection of clinically significant prostate cancer lesions (csPCa) from biparametric magnetic resonance imaging (bp-MRI) has emerged as a noninvasive imaging technique for improving accurate diagnosis. Nevertheless, the analysis of such images remains highly dependent on the subjective expert interpretation. Deep learning approaches have been proposed for csPCa lesions detection and segmentation, but they remain limited due to their reliance on extensively annotated datasets. Moreover, the high lesion variability across prostate zones poses additional challenges, even for expert radiologists. This work introduces a second-order geometric attention (SOGA) mechanism that guides a dedicated segmentation network, through skip connections, to detect csPCa lesions. The proposed attention is modeled on the Riemannian manifold, learning from symmetric positive definitive (SPD) representations. The proposed mechanism was integrated into standard U-Net and nnU-Net backbones, and was validated on the publicly available PI-CAI dataset, achieving an Average Precision (AP) of 0.37 and an Area Under the ROC Curve (AUC-ROC) of 0.83, outperforming baseline networks and attention-based methods. Furthermore, the approach was evaluated on the Prostate158 dataset as an independent test cohort, achieving an AP of 0.37 and an AUC-ROC of 0.75, confirming robust generalization and suggesting discriminative learned representations.
- Abstract（参考訳）: 臨床的に重要な前立腺癌病変 (csPCa) の診断は, 診断精度を高めるための非侵襲的画像診断法として, バイパラメトリックMRI (biparametric magnetic resonance imaging) (bp-MRI) から発見されている。
それでも、そのような画像の分析は主観的専門家の解釈に大きく依存している。
csPCa病変の検出とセグメンテーションにはディープラーニングアプローチが提案されているが、広範囲に注釈付けされたデータセットに依存しているため制限されている。
さらに、前立腺領域にまたがる高い病変の変動は、専門家の放射線学者にもさらなる課題をもたらす。
本研究は,csPCaの病変を検出するために,専用セグメンテーションネットワークをスキップ接続を介してガイドする2階幾何学的注意(SOGA)機構を導入する。
提案された注意はリーマン多様体をモデルとし、対称正定性(SPD)表現から学習する。
提案機構は標準のU-NetとnnU-Netのバックボーンに統合され、公開可能なPI-CAIデータセット上で検証され、平均精度0.37、ROC曲線0.83、ベースラインネットワークおよびアテンションベース手法を上回る平均精度(AP)が達成された。
さらに、この手法はProstate158データセット上で独立したテストコホートとして評価され、APが0.37、AUC-ROCが0.75となり、堅牢な一般化が確認され、差別的な学習表現が提案された。
関連論文リスト
- A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation [0.0]
本研究では,2パラメータMRI系列から得られた異常マップを深層学習に基づくセグメンテーションフレームワークに組み込んだ,異常駆動型U-Net(adU-Net)を提案する。
固定点GAN再構成を用いて生成された異常マップは、正常前立腺組織からの偏差を強調し、セグメント化モデルを潜在的癌領域へ導く。
論文 参考訳（メタデータ） (2025-04-30T16:48:00Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - On undesired emergent behaviors in compound prostate cancer detection systems [0.4324342847944414]
臨床的に有意なPC病変検出システムの評価を行った。
実シナリオにおいて, 複合系の脱線能力に有意な差異が認められた。
論文 参考訳（メタデータ） (2023-09-15T13:15:09Z) - 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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI [14.101371684361675]
我々はZ-SSMNet(Z-SSMNet)を提案する。
Z-SSMNetは、多次元(2D/2.5D/3D)畳み込みを適応的に統合し、高密度スライス情報と異方性bpMRIのスパースス間情報を学習する。
大規模未ラベルデータを用いてネットワークを事前学習するための自己教師付き学習(SSL)手法を提案する。
論文 参考訳（メタデータ） (2022-12-12T10:08:46Z) - Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文 参考訳（メタデータ） (2022-02-21T04:37:25Z) - End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of
Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction [0.0]
本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。
ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。
CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
論文 参考訳（メタデータ） (2021-01-08T22:59:30Z)
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。