論文の概要: NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging

• arxiv url: http://arxiv.org/abs/2512.18038v1
• Date: Fri, 19 Dec 2025 20:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.16347
• Title: NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging
• Title（参考訳）: NodMAISI:Nodule-Oriented Medical AI for Synthetic Imaging
• Authors: Fakrul Islam Tushar, Ehsan Samei, Cynthia Rudin, Joseph Y. Lo,
• Abstract要約: 解剖学的に制約された結節指向CT合成および多ソースコホートを統一した拡張フレームワークであるNodMAISIを導入する。 6つの公開試験データセットの中で、NodMAISIはMAISI-v2(実合成FID範囲 1.18 対 2.99 対 1.69 対 5.21)に対する分布の忠実度を改善した。 NodMAISIはAUCを0.07から0.11に改善し、臨床データは20%で0.12から0.21に改善した。
• 参考スコア（独自算出の注目度）: 21.25110830915782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Although medical imaging datasets are increasingly available, abnormal and annotation-intensive findings critical to lung cancer screening, particularly small pulmonary nodules, remain underrepresented and inconsistently curated. Methods: We introduce NodMAISI, an anatomically constrained, nodule-oriented CT synthesis and augmentation framework trained on a unified multi-source cohort (7,042 patients, 8,841 CTs, 14,444 nodules). The framework integrates: (i) a standardized curation and annotation pipeline linking each CT with organ masks and nodule-level annotations, (ii) a ControlNet-conditioned rectified-flow generator built on MAISI-v2's foundational blocks to enforce anatomy- and lesion-consistent synthesis, and (iii) lesion-aware augmentation that perturbs nodule masks (controlled shrinkage) while preserving surrounding anatomy to generate paired CT variants. Results: Across six public test datasets, NodMAISI improved distributional fidelity relative to MAISI-v2 (real-to-synthetic FID range 1.18 to 2.99 vs 1.69 to 5.21). In lesion detectability analysis using a MONAI nodule detector, NodMAISI substantially increased average sensitivity and more closely matched clinical scans (IMD-CT: 0.69 vs 0.39; DLCS24: 0.63 vs 0.20), with the largest gains for sub-centimeter nodules where MAISI-v2 frequently failed to reproduce the conditioned lesion. In downstream nodule-level malignancy classification trained on LUNA25 and externally evaluated on LUNA16, LNDbv4, and DLCS24, NodMAISI augmentation improved AUC by 0.07 to 0.11 at <=20% clinical data and by 0.12 to 0.21 at 10%, consistently narrowing the performance gap under data scarcity.
• Abstract（参考訳）: 目的: 医用画像データセットはますます利用可能になっているが、肺がん検診、特に肺小結節の検診に重要な異常およびアノテーションの集中的な所見は、低発現であり、一貫性がないままである。 方法: NodMAISI, 解剖学的に制約された結節性CT合成および多ソースコホート(7,042例, 8,841例, 14,444例)で訓練した拡張フレームワークについて紹介した。 フレームワークは以下のようになる。 (i)各CTにオルガンマスクと結節レベルのアノテーションをリンクする標準化されたキュレーションとアノテーションパイプライン。 (二)MAISI-v2の基礎ブロック上に構築された制御ネット条件整流発生器であって、解剖学的及び病変に一貫性のある合成を強制すること。 3) 結節マスク(収縮制御)を摂動させ, 周囲の解剖を保存し, 対のCT変異を生じさせる病変の増大。 結果:6つの公開試験データセットのうち,NodMAISIは,MAISI-v2(実合成FID範囲1.18～2.99×1.69～5.21)に対する分布の忠実度を改善した。 モノナイ結節検出装置を用いた病変検出性解析では, 平均感度とより密に一致した臨床スキャン(IMD-CT: 0.69 vs 0.39; DLCS24: 0.63 vs 0.20)が有意に増加し, MAISI-v2 がしばしば条件付き病変を再現できなかった。 LUNA25およびLUNA16, LNDbv4, DLCS24で訓練された下流結節レベル悪性度分類では, NodMAISIはAUCを0.07から0.11に改善し, <=20%臨床データでは0.12から0.21に改善した。

関連論文リスト

• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI [0.0]
  神経線維腫症1型(英: Neurofibromatosis type 1)は、多くの神経線維腫(NF)が全身に発達するのを特徴とする遺伝疾患である。 本研究では,この課題に合わせた対話型セグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-23T17:42:24Z)
• EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images [4.533165461983661]
  肺がんは世界中でがん関連死亡の原因となっている。 本研究では,大規模視覚言語モデル(VLM)を活用したコンピュータ支援診断(CAD)システムの開発を目的とする。 提案手法はゼロショット肺結節解析において強い性能を示した。
  論文  参考訳（メタデータ） (2025-09-15T09:11:17Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Lung-DDPM: Semantic Layout-guided Diffusion Models for Thoracic CT Image Synthesis [3.2912960074986652]
  Lung-DDPMは胸部CT画像合成法であり,高忠実度3D合成CT画像を効果的に生成する。 本手法は,意味的レイアウト誘導型分散確率モデル(DDPM)に基づく。 Fr'echet開始距離が0.0047、MMDが0.0070、MSEが0.0024であった。
  論文  参考訳（メタデータ） (2025-02-21T04:38:27Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)

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。