Fugu-MT 論文翻訳(概要): Field strength-dependent performance variability in deep learning-based analysis of magnetic resonance imaging

論文の概要: Field strength-dependent performance variability in deep learning-based analysis of magnetic resonance imaging

arxiv url: http://arxiv.org/abs/2512.22176v1
Date: Thu, 18 Dec 2025 23:50:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-04 08:45:17.098583
Title: Field strength-dependent performance variability in deep learning-based analysis of magnetic resonance imaging
Title（参考訳）: 深層学習による磁気共鳴画像解析における磁場強度依存性の性能変動
Authors: Muhammad Ibtsaam Qadir, Duane Schonlau, Ulrike Dydak, Fiona R. Kolbinger,
Abstract要約: 本研究では,MRIスキャナの磁場強度がディープラーニングベースセグメンテーションアルゴリズムの性能と一般化性に与える影響を定量的に評価する。胸部, 膵, 頚椎の3つのMRI像について, 走査型磁場強度(1.5T vs. 3.0T)で層状化した。乳癌におけるm-3.0Tはm-1.5T (DSC: 0.494[1.5T], 0.433[3.0T]) よりも有意に優れていた頚椎では, クロスフィールド性能が最小限に抑えられた同一フィールド検証セットで最適にモデルが実行された。
参考スコア（独自算出の注目度）: 1.0749601922718608
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study quantitatively evaluates the impact of MRI scanner magnetic field strength on the performance and generalizability of deep learning-based segmentation algorithms. Three publicly available MRI datasets (breast tumor, pancreas, and cervical spine) were stratified by scanner field strength (1.5T vs. 3.0T). For each segmentation task, three nnU-Net-based models were developed: A model trained on 1.5T data only (m-1.5T), a model trained on 3.0T data only (m-3.0T), and a model trained on pooled 1.5T and 3.0T data (m-combined). Each model was evaluated on both 1.5T and 3.0T validation sets. Field-strength-dependent performance differences were investigated via Uniform Manifold Approximation and Projection (UMAP)-based clustering and radiomic analysis, including 23 first-order and texture features. For breast tumor segmentation, m-3.0T (DSC: 0.494 [1.5T] and 0.433 [3.0T]) significantly outperformed m-1.5T (DSC: 0.411 [1.5T] and 0.289 [3.0T]) and m-combined (DSC: 0.373 [1.5T] and 0.268[3.0T]) on both validation sets (p<0.0001). Pancreas segmentation showed similar trends: m-3.0T achieved the highest DSC (0.774 [1.5T], 0.840 [3.0T]), while m-1.5T underperformed significantly (p<0.0001). For cervical spine, models performed optimally on same-field validation sets with minimal cross-field performance degradation (DSC>0.92 for all comparisons). Radiomic analysis revealed moderate field-strength-dependent clustering in soft tissues (silhouette scores 0.23-0.29) but minimal separation in osseous structures (0.12). These results indicate that magnetic field strength in the training data substantially influences the performance of deep learning-based segmentation models, particularly for soft-tissue structures (e.g., small lesions). This warrants consideration of magnetic field strength as a confounding factor in studies evaluating AI performance on MRI.
Abstract（参考訳）: 本研究では,MRIスキャナの磁場強度がディープラーニングベースセグメンテーションアルゴリズムの性能と一般化性に与える影響を定量的に評価する。 3つのMRIデータセット(胸部腫瘍,膵,頚椎)をスキャナフィールド強度(1.5T vs. 3.0T)で層状化した。各セグメンテーションタスクでは、1.5Tデータのみ(m-1.5T)でトレーニングされたモデル、3.0Tデータのみ(m-3.0T)でトレーニングされたモデル、1.5Tデータと3.0Tデータ(m-combined)でトレーニングされたモデルという3つのnnU-Netベースのモデルが開発された。各モデルを1.5Tと3.0Tの検証セットで評価した。単体マニフォールド近似・投影法(UMAP)に基づくクラスタリングと放射能解析により,23の1次・テクスチャ特性を含むフィールド強度依存性の性能差について検討した。 m-3.0T (DSC: 0.494 [1.5T], 0.433 [3.0T]) はm-1.5T (DSC: 0.411 [1.5T], 0.289 [3.0T]) とm-combined (DSC: 0.373 [1.5T], 0.268[3.0T]) より有意に優れていた(p<0.0001)。 m-3.0T は DSC (0.774 [1.5T], 0.840 [3.0T]) を達成し、m-1.5T は低性能 (p<0.0001) であった。頚椎では, クロスフィールド性能の最小化 (DSC>0.92) を伴う同一フィールド検証セットにおいて, モデルが最適に実行された。放射線分析の結果,軟組織(シルエットスコア0.23-0.29)では中等度場強度依存性のクラスタリングが認められたが,骨構造では小さかった(0.12)。これらの結果から,訓練データ中の磁場強度が深層学習に基づくセグメンテーションモデル,特に軟部組織(小病変など)の性能に大きく影響することが示唆された。このことはMRI上でのAI性能を評価する研究において、磁場強度を背景要因として考慮すべきである。

関連論文リスト

Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文参考訳（メタデータ） (2025-11-21T21:50:34Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
Surf2CT: Cascaded 3D Flow Matching Models for Torso 3D CT Synthesis from Skin Surface [13.161605581865357]
Surf2CTは、外部表面スキャンと人口統計データから人間の胴体の全3DCTボリュームを合成するフレームワークである。我々は、マサチューセッツ総合病院(MGH)から得られた3,198個の胴体CTスキャンとAutoPETチャレンジを組み合わせたデータセットでモデルをトレーニングした。
論文参考訳（メタデータ） (2025-05-28T16:01:36Z)
Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文参考訳（メタデータ） (2025-05-23T14:06:42Z)
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)
AI in Lung Health: Benchmarking Detection and Diagnostic Models Across Multiple CT Scan Datasets [16.77038992770942]
肺癌スクリーニングのための人工知能(AI)モデルの開発には,CTデータセットと厳密なパフォーマンスベンチマークが必要である。本研究は,DLCSデータセット(1,613例,2,487ノジュール)とLUNA16,LUNA25,NLST-3Dを含む外部データセットを用いた。検出にはDLCS (DLCS-De) とLUNA16 (LUNA16-De) でmonAI RetinaNetモデルをトレーニングし,コンペティション・パフォーマンス・メトリック (CPM) を用いて評価した。
論文参考訳（メタデータ） (2024-05-07T18:36:40Z)
Technical Note: Feasibility of translating 3.0T-trained Deep-Learning Segmentation Models Out-of-the-Box on Low-Field MRI 0.55T Knee-MRI of Healthy Controls [4.087907070547308]
我々は,0.55Tでスキャンした健常者における両側膝バイオマーカーの定量化にDeep Learning (DL) を有効にしたアルゴリズムの適用可能性について,3.0Tと比較した。最初の結果は、既存の定量的深層学習に基づくイメージセグメンテーション技術に翻訳可能な技術的実現可能性を示し、膝MRIの0.55Tのうち3.0Tでトレーニングされた。 0.55T低磁場で持続可能で簡単に装着できるMRIは、確立されたDLアルゴリズムにより膝軟骨の厚みと骨の分節を評価するのに利用できる。
論文参考訳（メタデータ） (2023-10-26T04:52:25Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文参考訳（メタデータ） (2023-07-02T05:26:54Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。