論文の概要: TopoGate: Quality-Aware Topology-Stabilized Gated Fusion for Longitudinal Low-Dose CT New-Lesion Prediction
- arxiv url: http://arxiv.org/abs/2602.17855v1
- Date: Thu, 19 Feb 2026 21:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.158586
- Title: TopoGate: Quality-Aware Topology-Stabilized Gated Fusion for Longitudinal Low-Dose CT New-Lesion Prediction
- Title（参考訳）: TopoGate: 経時的低線量CT新病変予測のためのTopology-Stabilized Gated Fusion
- Authors: Seungik Cho,
- Abstract要約: 本稿では、フォローアップの外観ビューとサブトラクションビューを組み合わせた軽量モデルであるTopoGateを提案する。
ゲートは、CTの外観品質、登録整合性、およびトポロジカルメトリクスで測定された解剖学的トポロジの安定性の3つのケース固有信号によって駆動される。
- 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: Longitudinal low-dose CT follow-ups vary in noise, reconstruction kernels, and registration quality. These differences destabilize subtraction images and can trigger false new lesion alarms. We present TopoGate, a lightweight model that combines the follow-up appearance view with the subtraction view and controls their influence through a learned, quality-aware gate. The gate is driven by three case-specific signals: CT appearance quality, registration consistency, and stability of anatomical topology measured with topological metrics. On the NLST--New-Lesion--LongCT cohort comprising 152 pairs from 122 patients, TopoGate improves discrimination and calibration over single-view baselines, achieving an area under the ROC curve of 0.65 with a standard deviation of 0.05 and a Brier score of 0.14. Removing corrupted or low-quality pairs, identified by the quality scores, further increases the area under the ROC curve from 0.62 to 0.68 and reduces the Brier score from 0.14 to 0.12. The gate responds predictably to degradation, placing more weight on appearance when noise grows, which mirrors radiologist practice. The approach is simple, interpretable, and practical for reliable longitudinal LDCT triage.
- Abstract（参考訳）: 経時的低用量CTの経過は, ノイズ, 再建カーネル, 登録品質によって異なる。
これらの違いは、サブトラクション画像を不安定化し、偽の新しい病変アラームを発生させる可能性がある。
TopoGateは、フォローアップ外観ビューとサブトラクションビューを組み合わせた軽量モデルであり、学習された品質に配慮したゲートを通してその影響を制御する。
ゲートは、CTの外観品質、登録整合性、およびトポロジカルな測定値で測定された解剖学的トポロジの安定性の3つのケース固有信号によって駆動される。
122例の152対からなるNLST--New-Lesion-LongCTコホートにおいて、TopoGateは単一視点の基準線に対する差別と校正を改善し、標準偏差0.05とブライアスコア0.14でROC曲線0.65の領域を達成した。
品質スコアによって同定された劣化または低品質のペアを除去すると、ROC曲線下の領域はさらに0.62から0.68に増加し、ブライアスコアは0.14から0.12に減少する。
ゲートは劣化に対して予測通りに反応し、ノイズが大きくなると外観に重みを付け、放射線技師の練習を反映する。
アプローチは単純で,解釈可能で,信頼性の高いLDCTトリアージに有効である。
関連論文リスト
- Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。
UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
論文 参考訳（メタデータ） (2026-01-12T14:35:29Z) - NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging [21.25110830915782]
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。
論文 参考訳（メタデータ） (2025-12-19T20:11:30Z) - Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。
DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文 参考訳（メタデータ） (2025-11-30T12:45:02Z) - EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT)
CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-09-26T05:51:59Z) - Teaching AI Stepwise Diagnostic Reasoning with Report-Guided Chain-of-Thought Learning [11.537036709742345]
DiagCoTは汎用視覚言語モデル(VLM)に教師付き微調整を適用するフレームワークである
DiagCoTは、ドメインアライメントのためのコントラッシブなイメージレポートチューニング、推論ロジックをキャプチャするためのチェーン・オブ・シンセサイザー、および臨床報酬信号による強化チューニングを組み合わせることで、事実の正確性と流布性を高める。
LLaVA-MedやCXR-LLAVAといった最先端モデルでは、長い尾の病気や外部データセットよりも優れています。
論文 参考訳（メタデータ） (2025-09-08T08:01:26Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - 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) - OCT-GAN: Single Step Shadow and Noise Removal from Optical Coherence
Tomography Images of the Human Optic Nerve Head [47.812972855826985]
我々は、ノイズと網膜の影の両方を10.4ms以内で見えない単一フレームのBスキャンから除去する単一プロセスを開発した。
提案アルゴリズムは,長い画像取得時間の必要性を低減し,高価なハードウェア要件を最小化し,OCT画像の動作アーティファクトを低減する。
論文 参考訳（メタデータ） (2020-10-06T08:32:32Z)
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。