論文の概要: TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2512.04576v1
• Date: Thu, 04 Dec 2025 08:44:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.075228
• Title: TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification
• Title（参考訳）: TARDis : 非完全多モード腫瘍分節と分類のための時間短縮型表現障害
• Authors: Zishuo Wan, Qinqin Kang, Yi Huang, Yun Bian, Dawei Ding, Ke Yan,
• Abstract要約: 造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。 既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。 本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
• 参考スコア（独自算出の注目度）: 10.329406702659123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tumor segmentation and diagnosis in contrast-enhanced Computed Tomography (CT) rely heavily on the physiological dynamics of contrast agents. However, obtaining a complete multi-phase series is often clinically unfeasible due to radiation concerns or scanning limitations, leading to the "missing modality" problem. Existing deep learning approaches typically treat missing phases as absent independent channels, ignoring the inherent temporal continuity of hemodynamics. In this work, we propose Time Attenuated Representation Disentanglement (TARDis), a novel physics-aware framework that redefines missing modalities as missing sample points on a continuous Time-Attenuation Curve. TARDis explicitly disentangles the latent feature space into a time-invariant static component (anatomy) and a time-dependent dynamic component (perfusion). We achieve this via a dual-path architecture: a quantization-based path using a learnable embedding dictionary to extract consistent anatomical structures, and a probabilistic path using a Conditional Variational Autoencoder to model dynamic enhancement conditioned on the estimated scan time. This design allows the network to hallucinate missing hemodynamic features by sampling from the learned latent distribution. Extensive experiments on a large-scale private abdominal CT dataset (2,282 cases) and two public datasets demonstrate that TARDis significantly outperforms state-of-the-art incomplete modality frameworks. Notably, our method maintains robust diagnostic performance even in extreme data-sparsity scenarios, highlighting its potential for reducing radiation exposure while maintaining diagnostic precision.
• Abstract（参考訳）: 造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。 しかし、完全な多相級数を得ることは、放射線の懸念やスキャンの制限により、しばしば臨床的には不可能であり、「欠落するモダリティ」問題に繋がる。 既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。 本研究では,連続時間漸進曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。 TARDisは遅延特徴空間を時間不変の静的成分(解剖)と時間依存動的成分(灌流)に明示的に分離する。 学習可能な埋め込み辞書を用いて、一貫した解剖構造を抽出する量子化に基づく経路と、推定スキャン時間に基づいて動的拡張条件をモデル化する条件付き変分オートエンコーダを用いた確率的経路である。 この設計により、学習した潜伏分布からサンプリングすることで、欠落した血行動態を幻覚することができる。 大規模プライベート腹部CTデータセット(2,282例)と2つの公開データセットの大規模な実験により、TARDisは最先端の非完全なモダリティフレームワークを著しく上回っていることが示された。 特に, 診断精度を保ちながら放射線被曝を低減できる可能性を強調し, 極端なデータ分散シナリオにおいても堅牢な診断性能を維持している。

関連論文リスト

• Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
  アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-25T10:28:37Z)
• $Δ$t-Mamba3D: A Time-Aware Spatio-Temporal State-Space Model for Breast Cancer Risk Prediction [3.112167541428413]
  縦断的医用画像解析に適応した新しい状態空間アーキテクチャを開発した。 我々のモデルは、不規則なビジット間隔とリッチ・テンポラルコンテキストを同時に符号化する。 その線形複雑さのおかげで、このモデルはマンモグラフィーの長期および複雑な患者のスクリーニング履歴を効率的に処理することができる。
  論文  参考訳（メタデータ） (2025-10-21T18:29:17Z)
• On Biologically Plausible Learning in Continuous Time [7.8697431086492955]
  本研究では,生物学的に妥当な学習アルゴリズムを統一した連続時間ニューラルモデルについて検討する。 勾配降下法(SGD)、フィードバックアライメント法(FA)、直接フィードバックアライメント法(DFA)、コレン・ポラック法(KP)などの規則は、力学の制約として自然に現れる。 シミュレーションにより、これらの連続時間ネットワークは、時間的ミスマッチや統合ノイズの下でも、生物学的な時間スケールで安定して学習することが示される。
  論文  参考訳（メタデータ） (2025-10-21T17:04:06Z)
• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• Unstable Prompts, Unreliable Segmentations: A Challenge for Longitudinal Lesion Analysis [0.5537760992845262]
  本稿では,ULS23セグメンテーションモデルの性能を経時的に検討する。 本報告では, スキャン間登録誤りによる経過観察におけるセグメンテーション品質の急激な低下と, その後の病変対応過程の崩壊の2つの重要な障害モードを同定した。
  論文  参考訳（メタデータ） (2025-07-25T12:55:48Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)

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。