論文の概要: Placenta Accreta Spectrum Detection Using an MRI-based Hybrid CNN-Transformer Model

• arxiv url: http://arxiv.org/abs/2512.18573v1
• Date: Sun, 21 Dec 2025 02:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.403452
• Title: Placenta Accreta Spectrum Detection Using an MRI-based Hybrid CNN-Transformer Model
• Title（参考訳）: MRIを用いたハイブリッドCNN変換器モデルを用いたプラセンタアクレタスペクトル検出
• Authors: Sumaiya Ali, Areej Alhothali, Ohoud Alzamzami, Sameera Albasri, Ahmed Abduljabbar, Muhammad Alwazzan,
• Abstract要約: Placenta Accreta Spectrum (PAS) はMRIで診断が困難である重篤な病態である 本研究では,ボリュームMRIによるPAS自動検出のためのハイブリッド3次元ディープラーニングモデルを提案する。 このモデルは3D DenseNet121と3D Vision Transformer (ViT)を統合し、グローバル空間コンテキストをモデル化する。
• 参考スコア（独自算出の注目度）: 0.6192567865226507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placenta Accreta Spectrum (PAS) is a serious obstetric condition that can be challenging to diagnose with Magnetic Resonance Imaging (MRI) due to variability in radiologists' interpretations. To overcome this challenge, a hybrid 3D deep learning model for automated PAS detection from volumetric MRI scans is proposed in this study. The model integrates a 3D DenseNet121 to capture local features and a 3D Vision Transformer (ViT) to model global spatial context. It was developed and evaluated on a retrospective dataset of 1,133 MRI volumes. Multiple 3D deep learning architectures were also evaluated for comparison. On an independent test set, the DenseNet121-ViT model achieved the highest performance with a five-run average accuracy of 84.3%. These results highlight the strength of hybrid CNN-Transformer models as a computer-aided diagnosis tool. The model's performance demonstrates a clear potential to assist radiologists by providing a robust decision support to improve diagnostic consistency across interpretations, and ultimately enhance the accuracy and timeliness of PAS diagnosis.
• Abstract（参考訳）: Placenta Accreta Spectrum (PAS) は重篤な産婦人科疾患であり, 放射線医の解釈の多様性からMRIで診断することが困難である。 この課題を克服するために,ボリュームMRIスキャンによるPAS自動検出のためのハイブリッド3次元ディープラーニングモデルを提案する。 このモデルは3D DenseNet121と3D Vision Transformer (ViT)を統合し、グローバル空間コンテキストをモデル化する。 これは1,133個のMRIボリュームの振り返りデータセットで開発・評価された。 比較のために複数の3次元ディープラーニングアーキテクチャも評価した。 独立したテストセットでは、DenseNet121-ViTモデルは5ランの平均精度84.3%で最高性能を達成した。 これらの結果は,コンピュータ支援診断ツールとしてのハイブリッドCNN-Transformerモデルの強みを浮き彫りにした。 このモデルの性能は、解釈間の診断整合性を改善し、最終的にPAS診断の正確性とタイムラインを向上させる堅牢な決定支援を提供することによって、放射線学者を支援する可能性を明らかに示している。

関連論文リスト

• Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing [0.0]
  本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。 提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。
  論文  参考訳（メタデータ） (2025-10-21T22:11:19Z)
• Glioblastoma Overall Survival Prediction With Vision Transformers [6.318465743962574]
  グリオ芽腫は最も攻撃的で一般的な脳腫瘍の1つで、生存期間は10～15ヶ月である。 本研究では,MRI画像を用いた総合生存(OS)予測のための新しい人工知能(AI)手法を提案する。 我々は視覚変換器(ViT)を用いてMRI画像から直接隠れた特徴を抽出し,腫瘍のセグメンテーションの必要性を排除した。 提案したモデルは、BRATSデータセットで評価され、テストセット上で62.5%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-04T13:59:57Z)
• DeSamba: Decoupled Spectral Adaptive Framework for 3D Multi-Sequence MRI Lesion Classification [0.6749750044497732]
  DeSambaは、分離された表現を抽出し、病変分類のための空間的特徴とスペクトル的特徴を適応的に融合するように設計されたフレームワークである。 DeSambaは62.10%のTop-1精度、63.62%のF1スコア、87.71%のAUC、93.55%のTop-3精度を達成した。
  論文  参考訳（メタデータ） (2025-07-21T10:42:21Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
  本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。 このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
  論文  参考訳（メタデータ） (2024-05-21T17:44:48Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)

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。