論文の概要: Anatomy-Aware Lymphoma Lesion Detection in Whole-Body PET/CT

• arxiv url: http://arxiv.org/abs/2511.07047v1
• Date: Mon, 10 Nov 2025 12:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.246212
• Title: Anatomy-Aware Lymphoma Lesion Detection in Whole-Body PET/CT
• Title（参考訳）: 全体PET/CTにおける解剖学的に見いだされたリンパ腫病変の検出
• Authors: Simone Bendazzoli, Antonios Tzortzakakis, Andreas Abrahamsson, Björn Engelbrekt Wahlin, Örjan Smedby, Maria Holstensson, Rodrigo Moreno,
• Abstract要約: 深層学習に基づく病変検出モデルに解剖学的事前情報を加える効果について検討した。 解剖学的な事前を含めることで、nnDetectionフレームワーク内の検出性能が大幅に向上する。 Swin Transformerは、nnDetectionで使用される従来の畳み込みニューラルネットワーク(CNN)エンコーダに対して明確な優位性を提供していない。
• 参考スコア（独自算出の注目度）: 0.22520634219290228
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Early cancer detection is crucial for improving patient outcomes, and 18F FDG PET/CT imaging plays a vital role by combining metabolic and anatomical information. Accurate lesion detection remains challenging due to the need to identify multiple lesions of varying sizes. In this study, we investigate the effect of adding anatomy prior information to deep learning-based lesion detection models. In particular, we add organ segmentation masks from the TotalSegmentator tool as auxiliary inputs to provide anatomical context to nnDetection, which is the state-of-the-art for lesion detection, and Swin Transformer. The latter is trained in two stages that combine self-supervised pre-training and supervised fine-tuning. The method is tested in the AutoPET and Karolinska lymphoma datasets. The results indicate that the inclusion of anatomical priors substantially improves the detection performance within the nnDetection framework, while it has almost no impact on the performance of the vision transformer. Moreover, we observe that Swin Transformer does not offer clear advantages over conventional convolutional neural network (CNN) encoders used in nnDetection. These findings highlight the critical role of the anatomical context in cancer lesion detection, especially in CNN-based models.
• Abstract（参考訳）: 早期がん検出は患者の予後を改善するために重要であり、18F FDG PET/CTイメージングは代謝情報と解剖情報を組み合わせることで重要な役割を担っている。 様々な大きさの複数の病変を同定する必要があるため、正確な病変検出は依然として困難である。 本研究では, 深層学習に基づく病変検出モデルに, 解剖学的事前情報を加える効果について検討した。 特にTotalSegmentatorツールの臓器分割マスクを補助入力として追加し,病変検出の最先端技術であるnnDetectionとSwin Transformerに解剖学的コンテキストを提供する。 後者は、自己指導型事前訓練と教師型微調整を組み合わせた2つの段階で訓練される。 この方法はAutoPETおよびKarolinskaリンパ腫データセットで試験される。 その結果、解剖学的な先行要素が組み込まれていることにより、nnDetectionフレームワーク内の検出性能が大幅に向上する一方で、視覚変換器の性能にはほとんど影響を与えないことが示唆された。 さらに,従来の畳み込みニューラルネットワーク(CNN)エンコーダに比べて,Swin Transformerが明確な優位性を提供していないことも確認した。 これらの知見は、特にCNNモデルにおいて、がん病変の検出における解剖学的文脈の重要な役割を浮き彫りにした。

関連論文リスト

• Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
  本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。 深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。 高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-11-16T06:58:46Z)
• Improving Lesion Segmentation in FDG-18 Whole-Body PET/CT scans using Multilabel approach: AutoPET II challenge [0.039550447522409014]
  肝臓、脾臓、脳、膀胱などの放射性物質の取り込みが増加する臓器の存在は、しばしば課題に繋がる。 本稿では, 臓器と病変のセグメンテーションに新たなアプローチを提案し, 自動病変セグメンテーション法の性能を高めることを目的とする。 以上の結果から,本手法がテストデータセットの上位ランキングを達成できたことが示唆された。
  論文  参考訳（メタデータ） (2023-11-02T19:51:54Z)
• Anatomy-informed Data Augmentation for Enhanced Prostate Cancer Detection [1.6539563017720214]
  本研究では,前立腺の生理的変形をシミュレートするために,隣接する臓器の情報を活用する新しい解剖情報変換法を提案する。 生検で確認した774検体を対象に, 増量の有効性を実証した。
  論文  参考訳（メタデータ） (2023-09-07T11:46:59Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
  提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。 提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
  論文  参考訳（メタデータ） (2022-09-16T10:49:53Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。