論文の概要: Selective Phase-Aware Training of nnU-Net for Robust Breast Cancer Segmentation in Multi-Center DCE-MRI

• arxiv url: http://arxiv.org/abs/2512.19225v1
• Date: Mon, 22 Dec 2025 10:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.705949
• Title: Selective Phase-Aware Training of nnU-Net for Robust Breast Cancer Segmentation in Multi-Center DCE-MRI
• Title（参考訳）: マルチセンターDCE-MRIにおけるロバスト乳癌切除のためのnnU-Netの選択的位相アウェアトレーニング
• Authors: Beyza Zayim, Aissiou Ikram, Boukhiar Naima,
• Abstract要約: 乳癌は依然として女性の中で最も多いがんであり、女性死亡の原因となっている。 本研究は,nnU-Netアーキテクチャのためのフェーズアウェアトレーニングフレームワークを提案する。 DUKE, NACT, ISPY1, ISPY2データセットの制御された実験により, 動作アーチファクトを含むISPYスキャンはセグメンテーション性能を損なうことが明らかになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer remains the most common cancer among women and is a leading cause of female mortality. Dynamic contrast-enhanced MRI (DCE-MRI) is a powerful imaging tool for evaluating breast tumors, yet the field lacks a standardized benchmark for analyzing treatment responses and guiding personalized care. We participated in the MAMA-MIA Challenge's Primary Tumor Segmentation task and this work presents a proposed selective, phase-aware training framework for the nnU-Net architecture, emphasizing quality-focused data selection to strengthen model robustness and generalization. We employed the No New Net (nnU-Net) framework with a selective training strategy that systematically analyzed the impact of image quality and center-specific variability on segmentation performance. Controlled experiments on the DUKE, NACT, ISPY1, and ISPY2 datasets revealed that including ISPY scans with motion artifacts and reduced contrast impaired segmentation performance, even with advanced preprocessing, such as contrast-limited adaptive histogram equalization (CLAHE). In contrast, training on DUKE and NACT data, which exhibited clearer contrast and fewer motion artifacts despite varying resolutions, with early phase images (0000-0002) provided more stable training conditions. Our results demonstrate the importance of phase-sensitive and quality-aware training strategies in achieving reliable segmentation performance in heterogeneous clinical datasets, highlighting the limitations of the expansion of naive datasets and motivating the need for future automation of quality-based data selection strategies.
• Abstract（参考訳）: 乳癌は依然として女性の中で最も多いがんであり、女性死亡の原因となっている。 ダイナミック造影MRI(Dynamic contrast-enhanced MRI, DCE-MRI)は乳腺腫瘍を評価する強力なイメージングツールである。 我々はMAMA-MIA Challengeの原発性腫瘍分離作業に参加し、この研究はnnU-Netアーキテクチャのための選択的位相対応トレーニングフレームワークを提案し、モデル堅牢性と一般化を強化するために品質重視のデータ選択を強調した。 我々は、画像品質と中心特性がセグメンテーション性能に与える影響を体系的に分析する選択的トレーニング戦略を備えたNo New Net(nnU-Net)フレームワークを採用した。 DUKE, NACT, ISPY1, ISPY2データセットの制御実験により, ISPYスキャンの動作アーチファクトとコントラスト障害セグメンテーション性能の低下が明らかになった。 対照的に、DuKEとNATデータのトレーニングは、解像度が異なるにもかかわらず、より明確なコントラストとより少ないモーションアーティファクトを示し、アーリーフェーズイメージ(0000-0002)はより安定したトレーニング条件を提供した。 本研究は、異種臨床データセットにおける信頼性セグメンテーション性能の実現における位相感受性および品質意識のトレーニング戦略の重要性を明らかにし、ナイーブデータセットの拡張の限界を強調し、品質ベースのデータ選択戦略の今後の自動化の必要性を動機づけるものである。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• QCResUNet: Joint Subject-level and Voxel-level Segmentation Quality Prediction [0.2895421284478621]
  深層学習は、MRI(MRI)スキャンによる脳腫瘍の自動切除において大きな進歩を遂げている。 セグメンテーション結果の品質を確認するには品質管理(QC)が必要である。 本稿では,各組織クラスに対して,被験者レベルのセグメンテーション品質尺度とボクセルレベルのセグメンテーション誤差マップを生成するQCResUNetを提案する。
  論文  参考訳（メタデータ） (2024-12-10T03:27:33Z)
• Scalable Drift Monitoring in Medical Imaging AI [37.1899538374058]
  我々は,スケーラブルなドリフトモニタリングのための拡張フレームワークであるMCC+を開発した。 それは、医療画像AIモデルのためのリアルタイムドリフト検出を導入したCheXstrayフレームワークの上に構築されている。 MMC+は、継続的パフォーマンス監視の信頼性と費用対効果を提供する。
  論文  参考訳（メタデータ） (2024-10-17T02:57:35Z)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。