論文の概要: AutoLugano: A Deep Learning Framework for Fully Automated Lymphoma Segmentation and Lugano Staging on FDG-PET/CT

• arxiv url: http://arxiv.org/abs/2512.07206v1
• Date: Mon, 08 Dec 2025 06:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.740771
• Title: AutoLugano: A Deep Learning Framework for Fully Automated Lymphoma Segmentation and Lugano Staging on FDG-PET/CT
• Title（参考訳）: AutoLugano: FDG-PET/CTによる完全自動リンパ腫分離とLugano Stagingのためのディープラーニングフレームワーク
• Authors: Boyang Pan, Zeyu Zhang, Hongyu Meng, Bin Cui, Yingying Zhang, Wenli Hou, Junhao Li, Langdi Zhong, Xiaoxiao Chen, Xiaoyu Xu, Changjin Zuo, Chao Cheng, Nan-Jie Gong,
• Abstract要約: AutoLuganoシステムは、ベースラインFDG-PET/CTスキャンを3つのシーケンシャルモジュールを通して処理する。 解剖学的局所化とLuganoの自動ステージングを行う。 AutoLuganoは、単一のベースラインFDG-PET/CTスキャンを完全なLuganoステージに変換する、完全に自動化された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）: 24.89215981715755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To develop a fully automated deep learning system, AutoLugano, for end-to-end lymphoma classification by performing lesion segmentation, anatomical localization, and automated Lugano staging from baseline FDG-PET/CT scans. Methods: The AutoLugano system processes baseline FDG-PET/CT scans through three sequential modules:(1) Anatomy-Informed Lesion Segmentation, a 3D nnU-Net model, trained on multi-channel inputs, performs automated lesion detection (2) Atlas-based Anatomical Localization, which leverages the TotalSegmentator toolkit to map segmented lesions to 21 predefined lymph node regions using deterministic anatomical rules; and (3) Automated Lugano Staging, where the spatial distribution of involved regions is translated into Lugano stages and therapeutic groups (Limited vs. Advanced Stage).The system was trained on the public autoPET dataset (n=1,007) and externally validated on an independent cohort of 67 patients. Performance was assessed using accuracy, sensitivity, specificity, F1-scorefor regional involvement detection and staging agreement. Results: On the external validation set, the proposed model demonstrated robust performance, achieving an overall accuracy of 88.31%, sensitivity of 74.47%, Specificity of 94.21% and an F1-score of 80.80% for regional involvement detection,outperforming baseline models. Most notably, for the critical clinical task of therapeutic stratification (Limited vs. Advanced Stage), the system achieved a high accuracy of 85.07%, with a specificity of 90.48% and a sensitivity of 82.61%.Conclusion: AutoLugano represents the first fully automated, end-to-end pipeline that translates a single baseline FDG-PET/CT scan into a complete Lugano stage. This study demonstrates its strong potential to assist in initial staging, treatment stratification, and supporting clinical decision-making.
• Abstract（参考訳）: 目的: ベースラインFDG-PET/CTスキャンから病変分割,解剖学的局在,およびLugano自動ステージングを行うことにより, エンドツーエンドの悪性リンパ腫分類のための完全自動深層学習システムAutoLuganoを開発すること。 方法: AutoLugano system processs the baseline FDG-PET/CT scans through three sequence module: (1) Anatomy-Informed Lesion Segmentation, a 3D nnU-Net model, training on multi-channel inputs, performed automated lesion Detection (2) Atlas-based Anatomical Localization, which which which which with the TotalSegmentator Toolkits to map segmented lesions to 21 predefined lymph regions using deterministic anatomical rules; (3) Automated Lugano Staging, where where the spatial distribution of involved region is translation into Lugano stage and treatment group (Limited vs. Advanced Stage)。 本システムは,一般のAutoPETデータセット(n=1,007)を用いて訓練し,67例の独立したコホートを用いて外的検証を行った。 精度,感度,特異性,F1スコアによる局所的関与検出とステージング合意による評価を行った。 結果: 外部検証セットでは, モデル全体の精度88.31%, 感度74.47%, 特異度94.21%, F1スコア80.80%, 性能が良好であった。 特に、治療層化の臨床的タスク(限界対進行段階)において、システムは85.07%、特異性90.48%、感度82.61%という高い精度を達成した。 結論: AutoLuganoは、単一のベースラインFDG-PET/CTスキャンを完全なLuganoステージに変換する、完全に自動化されたエンドツーエンドパイプラインとして、初めてである。 本研究は, 初期ステージング, 治療成層化, 臨床意思決定支援を支援する強力な可能性を示す。

関連論文リスト

• Automated Histopathologic Assessment of Hirschsprung Disease Using a Multi-Stage Vision Transformer Framework [2.360330081206126]
  Hirschsprung病は腸間膜叢に神経節細胞が欠如していることが特徴である。 病理医の診断アプローチを模倣したビジョントランスフォーマー(ViT-B/16)に基づく3段階セグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T15:53:47Z)
• DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability [0.0]
  本稿では、VGG16とXceptionをFGAブロックと統合した二重バックボーンネットワークを提案する。 本モデルでは,可変サイズおよび分散データセットに対するロバスト性を示す拡張を伴わず,最先端のパフォーマンスを実現する。 さらに透明性を高めるため、Grad-CAMはモデルが予測している腫瘍領域を可視化するために統合され、モデル予測と臨床解釈可能性のギャップを埋める。
  論文  参考訳（メタデータ） (2025-10-23T07:39:00Z)
• 3DViT-GAT: A Unified Atlas-Based 3D Vision Transformer and Graph Learning Framework for Major Depressive Disorder Detection Using Structural MRI Data [0.0]
  大うつ病 (Major depressive disorder, MDD) は、個人の健康と世界的な公衆衛生の両方に悪影響を及ぼす精神疾患である。 本稿では、視覚変換器(ViT)を用いて、sMRIデータから3次元領域埋め込みを抽出し、グラフニューラルネットワーク(GNN)を分類する統合パイプラインを開発する。
  論文  参考訳（メタデータ） (2025-09-15T17:10:39Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• A Segmentation Framework for Accurate Diagnosis of Amyloid Positivity without Structural Images [9.423899158217232]
  本研究では,ポジトロン・エミッション・トモグラフィ(PET)画像のみを用いて,脳領域の自動セグメンテーションのためのディープラーニングベースのフレームワークを提案する。 4層の深さを持つ3次元U-Netアーキテクチャを200個のF18-ベタピルアミロイドPETスキャンでトレーニングし、検証した。 このモデルでは,アミロイドの定量値に基づいて,アミロイドの比重0.98の分類精度を達成した。
  論文  参考訳（メタデータ） (2025-07-30T02:44:16Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers [51.45596445363302]
  GlobeReadyはクリニックフレンドリーなAIプラットフォームで、再トレーニング、微調整、技術専門知識の必要性なしに、基礎疾患の診断を可能にする。 光コヒーレンス・トモグラフィー(OCT)スキャンを用いて、カラー・ファンドス写真(CPF)を用いた11のファンドス病(93.9-98.5%)と15のファンドス病(87.2-92.7%)の精度を示した。 トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、センターや人口間のドメインシフトを効果的に軽減する。
  論文  参考訳（メタデータ） (2025-04-22T14:17:22Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。 感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)

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。