論文の概要: H-CNN-ViT: A Hierarchical Gated Attention Multi-Branch Model for Bladder Cancer Recurrence Prediction

• arxiv url: http://arxiv.org/abs/2511.13869v1
• Date: Mon, 17 Nov 2025 19:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.768342
• Title: H-CNN-ViT: A Hierarchical Gated Attention Multi-Branch Model for Bladder Cancer Recurrence Prediction
• Title（参考訳）: H-CNN-ViT:膀胱癌再発予測のための階層的Gated Attention Multi-Branch Model
• Authors: Xueyang Li, Zongren Wang, Yuliang Zhang, Zixuan Pan, Yu-Jen Chen, Nishchal Sapkota, Gelei Xu, Danny Z. Chen, Yiyu Shi,
• Abstract要約: 膀胱癌再発予測に特化して設計された多系列多モードMRIデータセットについて紹介する。 次に,H-CNN-ViTを提案する。H-CNN-ViTは,グローバル (ViT) パスとローカル (CNN) パスからの特徴を選択的に重み付けできる階層的Gated Attention Multi-Branchモデルである。 我々のデータセットから評価すると、H-CNN-ViTは78.6%のAUCを達成し、最先端のモデルを上回っている。
• 参考スコア（独自算出の注目度）: 17.67324034146389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bladder cancer is one of the most prevalent malignancies worldwide, with a recurrence rate of up to 78%, necessitating accurate post-operative monitoring for effective patient management. Multi-sequence contrast-enhanced MRI is commonly used for recurrence detection; however, interpreting these scans remains challenging, even for experienced radiologists, due to post-surgical alterations such as scarring, swelling, and tissue remodeling. AI-assisted diagnostic tools have shown promise in improving bladder cancer recurrence prediction, yet progress in this field is hindered by the lack of dedicated multi-sequence MRI datasets for recurrence assessment study. In this work, we first introduce a curated multi-sequence, multi-modal MRI dataset specifically designed for bladder cancer recurrence prediction, establishing a valuable benchmark for future research. We then propose H-CNN-ViT, a new Hierarchical Gated Attention Multi-Branch model that enables selective weighting of features from the global (ViT) and local (CNN) paths based on contextual demands, achieving a balanced and targeted feature fusion. Our multi-branch architecture processes each modality independently, ensuring that the unique properties of each imaging channel are optimally captured and integrated. Evaluated on our dataset, H-CNN-ViT achieves an AUC of 78.6%, surpassing state-of-the-art models. Our model is publicly available at https://github.com/XLIAaron/H-CNN-ViT}.
• Abstract（参考訳）: 膀胱癌は世界で最も多い悪性腫瘍の1つであり、再発率は最大で78%であり、効果的な患者管理のために正確な術後モニタリングが必要である。 マルチシーケンス造影MRIは再発検出に一般的に用いられているが, 創傷, 腫れ, 組織リモデリングなどの術後変化により, 経験豊富な放射線科医でさえもこれらのスキャンを解釈することは困難である。 AI支援診断ツールは膀胱癌再発予測の改善に期待されているが、この分野での進歩は、再発評価研究のための専用のマルチシーケンスMRIデータセットの欠如によって妨げられている。 そこで本研究では,膀胱癌再発予測に特化して設計されたマルチシーケンス・マルチモーダルMRIデータセットをまず紹介し,今後の研究に有用なベンチマークを構築した。 次に,H-CNN-ViTを提案する。H-CNN-ViTは,グローバル (ViT) パスとローカル (CNN) パスからの機能を,コンテキスト要求に基づいて選択的に重み付けし,バランスよく,目標とする特徴融合を実現するための,階層的Gated Attention Multi-Branchモデルである。 我々のマルチブランチアーキテクチャは、各モダリティを独立に処理し、各撮像チャネルのユニークな特性を最適に捕捉し、統合することを保証する。 我々のデータセットから評価すると、H-CNN-ViTは78.6%のAUCを達成し、最先端のモデルを上回っている。 私たちのモデルはhttps://github.com/XLIAaron/H-CNN-ViT}で公開されています。

関連論文リスト

• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• Automatic and standardized surgical reporting for central nervous system tumors [0.2634932446012777]
  本研究で提示したパイプラインは、堅牢で自動化されたセグメンテーション、MRシークエンス分類、標準化されたレポート生成を可能にする。 提案したモデルとメソッドは、CNS腫瘍解析のためのオープンソースのソフトウェアプラットフォームであるRaidionicsに統合され、現在、手術後解析専用のモジュールを含んでいる。
  論文  参考訳（メタデータ） (2025-08-12T13:08:49Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors [2.104687387907779]
  トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。 この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。 本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-12-11T09:52:01Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
  手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
  論文  参考訳（メタデータ） (2023-04-18T10:14:45Z)
• Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
  肺がんは、がん関連死亡の重大な原因である。 本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
  論文  参考訳（メタデータ） (2022-09-17T23:06:22Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。