論文の概要: An Anatomy Aware Hybrid Deep Learning Framework for Lung Cancer Tumor Stage Classification

• arxiv url: http://arxiv.org/abs/2511.19367v1
• Date: Mon, 24 Nov 2025 18:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.359448
• Title: An Anatomy Aware Hybrid Deep Learning Framework for Lung Cancer Tumor Stage Classification
• Title（参考訳）: 肺癌腫瘍ステージ分類のためのハイブリッドディープラーニングフレームワークの解剖学的検討
• Authors: Saniah Kayenat Chowdhury, Rusab Sarmun, Muhammad E. H. Chowdhury, Sohaib Bassam Zoghoul, Israa Al-Hashimi, Adam Mushtak, Amith Khandakar,
• Abstract要約: 腫瘍の大きさと距離特性を明示的に測定し,ステージングを行う医用接地型ハイブリッドパイプラインを提案する。 本手法では, 特殊なエンコーダ・デコーダネットワークを用いて肺と隣接する解剖を正確に分類する。 この新しいフレームワークはLung-PET-CT-Dxデータセットで評価されており、従来のディープラーニングモデルと比較して優れた性能を示している。
• 参考スコア（独自算出の注目度）: 9.447852227817533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate lung cancer tumor staging is crucial for prognosis and treatment planning. However, it remains challenging for end-to-end deep learning approaches, as such approaches often overlook spatial and anatomical information that are central to the tumor-node-metastasis system. The tumor stage depends on multiple quantitative criteria, including the tumor size and its proximity to the nearest anatomical structures, and small variations can alter the staging outcome. We propose a medically grounded hybrid pipeline that performs staging by explicitly measuring the tumor's size and distance properties rather than treating it as a pure image classification task. Our method employs specialized encoder-decoder networks to precisely segment the lung and adjacent anatomy, including the lobes, tumor, mediastinum, and diaphragm. Subsequently, we extract the necessary tumor properties, i.e. measure the largest tumor dimension and calculate the distance between the tumor and neighboring anatomical structures by a quantitative analysis of the segmentation masks. Finally, we apply rule-based tumor staging aligned with the medical guidelines. This novel framework has been evaluated on the Lung-PET-CT-Dx dataset, demonstrating superior performance compared to traditional deep learning models, achieving an overall classification accuracy of 91.36%. We report the per-stage F1-scores of 0.93 (T1), 0.89 (T2), 0.96 (T3), and 0.90 (T4), a critical evaluation aspect often omitted in prior literature. To our knowledge, this is the first study that embeds explicit clinical context into tumor stage classification. Unlike standard convolutional neural networks that operate in an uninterpretable "black box" manner, our method offers both state-of-the-art performance and transparent decision support.
• Abstract（参考訳）: 正確な肺癌の転移は予後と治療計画に不可欠である。 しかし、このようなアプローチは、しばしば腫瘍-リンパ節-転移系の中心となる空間的および解剖学的情報を見落としているため、エンド・ツー・エンドのディープラーニングアプローチでは依然として困難である。 腫瘍のステージは、腫瘍の大きさと最も近い解剖学的構造との近接を含む複数の定量的な基準に依存し、小さな変化はステージング結果を変える可能性がある。 本稿では, 腫瘍の大きさと距離特性を, 純粋な画像分類タスクとして扱うのではなく, 明確に測定することで, ステージングを行うハイブリッドパイプラインを提案する。 本手法では, 肺, 腫瘍, 縦隔, 横隔膜など, 肺と隣接する解剖を正確に分類するために, 特殊なエンコーダ・デコーダネットワークを用いる。 次に, 腫瘍径を計測するために必要な腫瘍特性を抽出し, セグメンテーションマスクの定量的解析により, 腫瘍と隣接する解剖学的構造との距離を算出した。 最後に,医療ガイドラインに適合したルールベースの腫瘍ステージリングを適用した。 このフレームワークはLung-PET-CT-Dxデータセットで評価され、従来のディープラーニングモデルよりも優れた性能を示し、全体的な分類精度は91.36%に達した。 F1スコアは0.93(T1)、0.89(T2)、0.96(T3)、0.90(T4)と報告した。 我々の知る限り、腫瘍ステージ分類に明確な臨床コンテキストを組み込んだ最初の研究である。 解釈不能な「ブラックボックス」で動作する標準的な畳み込みニューラルネットワークとは異なり、我々の手法は最先端の性能と透明な決定支援の両方を提供する。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Anatomy-Informed Deep Learning and Radiomics for Automated Neurofibroma Segmentation in Whole-Body MRI [0.0]
  神経線維腫1型は神経線維腫(NF)の発生を特徴とする遺伝疾患である 本研究では,WB-MRIにおけるNFセグメンテーションのための完全自動パイプラインを提示し,解析する。 実験の結果,Scan Dice similarity Coefficient (DSC) は68%, DSCは21%, F1スコアは2倍に改善した。
  論文  参考訳（メタデータ） (2025-02-21T12:49:35Z)
• Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
  本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
  論文  参考訳（メタデータ） (2024-12-05T12:00:00Z)
• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。