論文の概要: Tri-Reader: An Open-Access, Multi-Stage AI Pipeline for First-Pass Lung Nodule Annotation in Screening CT

• arxiv url: http://arxiv.org/abs/2601.19380v2
• Date: Wed, 28 Jan 2026 08:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 13:43:09.361246
• Title: Tri-Reader: An Open-Access, Multi-Stage AI Pipeline for First-Pass Lung Nodule Annotation in Screening CT
• Title（参考訳）: Tri-Reader:CTスキャンにおける初回肺結節アノテーションのためのオープンなマルチステージAIパイプライン
• Authors: Fakrul Islam Tushar, Joseph Y. Lo,
• Abstract要約: Tri-Readerは、肺のセグメンテーション、結節の検出、悪性度分類を統合された三段階ワークフローに統合する、包括的で無償のパイプラインである。 パイプラインは、アノテータの候補負荷を低減しつつ、感度を優先するように設計されている。
• 参考スコア（独自算出の注目度）: 1.0408458647051342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using multiple open-access models trained on public datasets, we developed Tri-Reader, a comprehensive, freely available pipeline that integrates lung segmentation, nodule detection, and malignancy classification into a unified tri-stage workflow. The pipeline is designed to prioritize sensitivity while reducing the candidate burden for annotators. To ensure accuracy and generalizability across diverse practices, we evaluated Tri-Reader on multiple internal and external datasets as compared with expert annotations and dataset-provided reference standards.
• Abstract（参考訳）: 公開データセットでトレーニングされた複数のオープンアクセスモデルを使用して、肺のセグメンテーション、結節検出、悪性度分類を統合された三段階ワークフローに統合する、包括的で自由に利用可能なパイプラインであるTri-Readerを開発した。 パイプラインは、アノテータの候補負荷を低減しつつ、感度を優先するように設計されている。 各種プラクティスの精度と一般化性を確保するため、専門家のアノテーションやデータセットが提供する参照標準と比較して、複数の内部および外部データセット上でTri-Readerを評価した。

関連論文リスト

• Optimizing Resources for On-the-Fly Label Estimation with Multiple Unknown Medical Experts [2.904892426557913]
  本稿では,受信データのオンザフライラベリングをサポートするリアルタイムアノテーションに対する適応的アプローチを提案する。 我々は,3つのマルチアノテーション分類データセットに対するアプローチを,異なるモードで評価した。
  論文  参考訳（メタデータ） (2025-10-04T21:41:26Z)
• A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。 既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。 本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:39:50Z)
• ProstaTD: Bridging Surgical Triplet from Classification to Fully Supervised Detection [54.270188252068145]
  ProstaTDは、ロボット補助前立腺切除術の技術的要求領域から開発された、外科的三重項検出のための大規模なデータセットである。 このデータセットは、71,775の動画フレームと196,490の注釈付きトリプルトインスタンスで構成され、複数の機関で実施された21の手術から収集された。 ProstaTDは、これまでで最大かつ最も多様な3重項データセットであり、単純な分類から正確な空間的境界と時間的境界を持つ完全な検出へとフィールドを移動している。
  論文  参考訳（メタデータ） (2025-06-01T19:29:39Z)
• Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection [83.90563802153707]
  PLUSNetは高品質のSmallオブジェクト検出フレームワークである。 上流の特徴を浄化するための階層的特徴(HFP)フレームワーク、中流トレーニングサンプルの品質を改善するための多重基準ラベル割り当て(MCLA)、下流タスクを達成するためにより効果的に情報を活用するための周波数分離ヘッド(FDHead)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-04-29T10:11:03Z)
• PEneo: Unifying Line Extraction, Line Grouping, and Entity Linking for End-to-end Document Pair Extraction [28.205723817300576]
  ドキュメントペア抽出は、キーエンティティとバリューエンティティの識別と、視覚的に豊富なドキュメントからの関連性の実現を目的としている。 既存のほとんどのメソッドは、セマンティックエンティティ認識(SER)と関係抽出(RE)の2つのタスクに分割している。 本稿では,統一パイプラインで文書ペア抽出を行う新しいフレームワークであるPEneoを紹介する。
  論文  参考訳（メタデータ） (2024-01-07T12:48:07Z)
• Towards Abstractive Timeline Summarisation using Preference-based Reinforcement Learning [3.6640004265358477]
  本稿では,複数のニュースソースから報告されるイベントの時系列を要約する新しいパイプラインを提案する。 抽象的な要約のためのトランスフォーマーに基づくモデルは、長い文書のコヒーレントで簡潔な要約を生成する。 抽出要約は情報源に忠実であるが、読みにくく、余分な情報や不要な情報を含んでいる可能性がある。
  論文  参考訳（メタデータ） (2022-11-14T18:24:13Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)
• Self-Supervised Vessel Enhancement Using Flow-Based Consistencies [15.131825365978635]
  教師なしの方法は、船のような管状の構造を検出するために手作りの特徴に依存する。 本手法は, 接続性, プロファイル整合性, 分岐性などの管状構造特性を用いて, 学習アルゴリズムに誘導バイアスを導入する。 2次元および3次元の公開データセットを用いた実験では,教師なしの手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-01-13T15:38:23Z)

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。