論文の概要: Machine-Learning Based Detection of Coronary Artery Calcification Using Synthetic Chest X-Rays

• arxiv url: http://arxiv.org/abs/2511.11093v1
• Date: Fri, 14 Nov 2025 09:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.515478
• Title: Machine-Learning Based Detection of Coronary Artery Calcification Using Synthetic Chest X-Rays
• Title（参考訳）: 人工胸部X線を用いた冠動脈石灰化の機械学習による検出
• Authors: Dylan Saeed, Ramtin Gharleghi, Susann Bier, Sonit Singh,
• Abstract要約: 冠動脈石灰化は心血管イベントの強力な予測因子である。 デジタル再構成ラジオグラフ(DRR)は、CTボリュームをCXRライクな画像に投影することで、スケーラブルな代替手段を提供する。 CAC検出のための補助訓練領域としてDRRを初めて体系的に評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary artery calcification (CAC) is a strong predictor of cardiovascular events, with CT-based Agatston scoring widely regarded as the clinical gold standard. However, CT is costly and impractical for large-scale screening, while chest X-rays (CXRs) are inexpensive but lack reliable ground truth labels, constraining deep learning development. Digitally reconstructed radiographs (DRRs) offer a scalable alternative by projecting CT volumes into CXR-like images while inheriting precise labels. In this work, we provide the first systematic evaluation of DRRs as a surrogate training domain for CAC detection. Using 667 CT scans from the COCA dataset, we generate synthetic DRRs and assess model capacity, super-resolution fidelity enhancement, preprocessing, and training strategies. Lightweight CNNs trained from scratch outperform large pretrained networks; pairing super-resolution with contrast enhancement yields significant gains; and curriculum learning stabilises training under weak supervision. Our best configuration achieves a mean AUC of 0.754, comparable to or exceeding prior CXR-based studies. These results establish DRRs as a scalable, label-rich foundation for CAC detection, while laying the foundation for future transfer learning and domain adaptation to real CXRs.
• Abstract（参考訳）: 冠動脈石灰化(CAC)は心血管イベントの強力な予測因子であり,CTベースのAgatstonは臨床用金基準として広く評価されている。 しかし, 胸部X線(CXR)は安価だが, 信頼性が低いため, 深層学習が困難である。 デジタル再構成ラジオグラフ(DRR)は、CTボリュームをCXRライクな画像に投影し、正確なラベルを継承することで、スケーラブルな代替手段を提供する。 本研究では,CAC検出のための補助訓練領域としてDRRを初めて体系的に評価する。 COCAデータセットからの667個のCTスキャンを用いて、合成DRRを生成し、モデルキャパシティ、超解像率向上、前処理、トレーニング戦略を評価する。 軽量CNNは、スクラッチからトレーニングされたトレーニングは、大規模な事前訓練ネットワークよりも優れており、コントラスト強化と超解像のペアリングは大きな利益をもたらし、カリキュラム学習は、弱い監督下でのトレーニングを安定化させる。 我々の最良の構成は平均AUCが0.754であり、従来のCXRベースの研究と同等かそれ以上である。 これらの結果は、CRC検出のためのスケーラブルでラベルに富んだ基盤としてDRRを確立し、将来的な転写学習の基礎と、実際のCXRへのドメイン適応の基礎を築き上げている。

関連論文リスト

• 3D CT-Based Coronary Calcium Assessment: A Feature-Driven Machine Learning Framework [0.6595674042529606]
  冠状動脈疾患(CAD)の早期発見と危険層形成における冠状動脈カルシウム(CAC)スコアの意義 本研究では,非コントラスト型冠動脈造影CT(CCTA)スキャンに焦点をあて,臨床現場での早期石灰化検出に広く用いられている。 限られたアノテートデータに対処するために、擬似ラベルを利用してトレーニングラベルを生成する放射能ベースのパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-29T10:04:47Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• X2CT-CLIP: Enable Multi-Abnormality Detection in Computed Tomography from Chest Radiography via Tri-Modal Contrastive Learning [18.954939735299963]
  我々はCTとCXRのモダリティギャップを埋める3モーダルな知識伝達学習フレームワークであるX2CT-CLIPを提案する。 CXRエンコーダに3次元CTボリュームと関連する放射線学レポートから知識を伝達することにより,CTにおける多重異常分類を可能にするための最初の試みである。
  論文  参考訳（メタデータ） (2025-03-04T00:48:09Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• 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)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。