論文の概要: A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification from Ultrasound Images

• arxiv url: http://arxiv.org/abs/2511.11937v1
• Date: Fri, 14 Nov 2025 23:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.407993
• Title: A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification from Ultrasound Images
• Title（参考訳）: 超音波画像からの甲状腺結節分割と悪性度分類のためのディープラーニングフレームワーク
• Authors: Omar Abdelrazik, Mohamed Elsayed, Noorul Wahab, Nasir Rajpoot, Adam Shephard,
• Abstract要約: 本稿では,完全自動化された悪性度予測のための2段階のフレームワークを提案する。 本手法は,臨床的に関係のある領域にのみ集中させ,解釈可能性を実現する。 これは、超音波画像上で甲状腺結節を検出し、悪性度を予測するための、最初の完全なエンドツーエンドパイプラインである。
• 参考スコア（独自算出の注目度）: 2.875000842489767
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ultrasound-based risk stratification of thyroid nodules is a critical clinical task, but it suffers from high inter-observer variability. While many deep learning (DL) models function as "black boxes," we propose a fully automated, two-stage framework for interpretable malignancy prediction. Our method achieves interpretability by forcing the model to focus only on clinically relevant regions. First, a TransUNet model automatically segments the thyroid nodule. The resulting mask is then used to create a region of interest around the nodule, and this localised image is fed directly into a ResNet-18 classifier. We evaluated our framework using 5-fold cross-validation on a clinical dataset of 349 images, where it achieved a high F1-score of 0.852 for predicting malignancy. To validate its performance, we compared it against a strong baseline using a Random Forest classifier with hand-crafted morphological features, which achieved an F1-score of 0.829. The superior performance of our DL framework suggests that the implicit visual features learned from the localised nodule are more predictive than explicit shape features alone. This is the first fully automated end-to-end pipeline for both detecting thyroid nodules on ultrasound images and predicting their malignancy.
• Abstract（参考訳）: 甲状腺結節の超音波によるリスク層形成は臨床的に重要な課題であるが、高いサーバ間変動に悩まされている。 多くの深層学習(DL)モデルは「ブラックボックス」として機能するが、我々は完全に自動化された2段階のフレームワークを提案する。 本手法は,臨床的に関係のある領域にのみ集中させ,解釈可能性を実現する。 まず、TransUNetモデルは甲状腺結節を自動的に分割する。 結果として生じるマスクは、結節周辺の関心領域を作成するために使用され、このローカライズされたイメージは直接ResNet-18分類子に送られる。 臨床データセットの349画像から5倍のクロスバリデーションを行い,悪性度予測のためのF1スコア0.852を達成した。 その性能を評価するため、Random Forest分類器と手作り形態特徴を用いた強力なベースラインと比較し、F1スコア0.829を達成した。 我々のDLフレームワークの優れた性能は、局所化結節から得られた暗黙的な視覚的特徴が、明示的な形状の特徴単独よりも予測的であることを示唆している。 これは、超音波画像上で甲状腺結節を検出し、悪性度を予測するための、最初の完全なエンドツーエンドパイプラインである。

関連論文リスト

• Accurate Thyroid Cancer Classification using a Novel Binary Pattern Driven Local Discrete Cosine Transform Descriptor [3.663197678470621]
  我々は特徴抽出に重点を置いた甲状腺癌分類のための新しいCADシステムの開発を行った。 われわれは新しい記述子をバイナリパターン駆動型局所離散コサイン変換(BPD-LDCT)と呼ぶ。
  論文  参考訳（メタデータ） (2025-09-19T19:54:04Z)
• STACT-Time: Spatio-Temporal Cross Attention for Cine Thyroid Ultrasound Time Series Classification [2.510842391292067]
  甲状腺癌はアメリカ合衆国で最も多いがんの一つである。 近年のディープラーニングアプローチでは,リスク階層化の改善が試みられているが,米国のシネクリップが提供する時間的・空間的コンテキストの充実に失敗することが多い。 シンチロイド超音波時系列分類(STACT-Time)モデルに対する時空間交差注意法を提案する。
  論文  参考訳（メタデータ） (2025-06-22T21:14:04Z)
• Vision-Language Model-Based Semantic-Guided Imaging Biomarker for Lung Nodule Malignancy Prediction [0.38698178563798113]
  本研究の目的は, 放射線技師による結節評価から得られた意味的特徴を統合し, 臨床的に関連性があり, 堅牢で, 説明可能な画像的特徴を肺がんの予測に役立てることである。 画像と意味的テキストの特徴を整合させ,1年間の肺がん診断を予測するためのパラメータ効率の良い微調整手法を用いて,事前訓練されたコントラスト言語画像訓練モデルを微調整した。
  論文  参考訳（メタデータ） (2025-04-30T06:11:34Z)
• ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
  甲状腺FNAB画像分類のための深層学習システムを開発した。 Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。 システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
  論文  参考訳（メタデータ） (2025-04-19T02:13:07Z)
• Certification of Deep Learning Models for Medical Image Segmentation [44.177565298565966]
  ランダムな平滑化と拡散モデルに基づく医用画像のための認定セグメンテーションベースラインを初めて提示する。 この結果から,拡散確率モデルをデノナイズするパワーを活用することで,ランダムな平滑化の限界を克服できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-05T16:40:33Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。