論文の概要: From Global Radiomics to Parametric Maps: A Unified Workflow Fusing Radiomics and Deep Learning for PDAC Detection
- arxiv url: http://arxiv.org/abs/2602.17986v1
- Date: Fri, 20 Feb 2026 04:46:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.229244
- Title: From Global Radiomics to Parametric Maps: A Unified Workflow Fusing Radiomics and Deep Learning for PDAC Detection
- Title（参考訳）: グローバルラジオミクスからパラメトリックマップへ:ラジオミクスを融合した統合ワークフローとPDAC検出のためのディープラーニング
- Authors: Zengtian Deng, Yimeng He, Yu Shi, Lixia Wang, Touseef Ahmad Qureshi, Xiuzhen Huang, Debiao Li,
- Abstract要約: 本稿では,まず識別的放射能特徴を抽出し,次に放射能を増強したnnUNetに注入する統一的なフレームワークを提案する。
これは、手作りの放射能が、グローバルレベルとボクセルレベルの両方で注入されると、PDAC検出のためのディープラーニングモデルに補完的な信号を与えることを示す。
- 参考スコア（独自算出の注目度）: 3.5975290092771797
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Radiomics and deep learning both offer powerful tools for quantitative medical imaging, but most existing fusion approaches only leverage global radiomic features and overlook the complementary value of spatially resolved radiomic parametric maps. We propose a unified framework that first selects discriminative radiomic features and then injects them into a radiomics-enhanced nnUNet at both the global and voxel levels for pancreatic ductal adenocarcinoma (PDAC) detection. On the PANORAMA dataset, our method achieved AUC = 0.96 and AP = 0.84 in cross-validation. On an external in-house cohort, it achieved AUC = 0.95 and AP = 0.78, outperforming the baseline nnUNet; it also ranked second in the PANORAMA Grand Challenge. This demonstrates that handcrafted radiomics, when injected at both global and voxel levels, provide complementary signals to deep learning models for PDAC detection. Our code can be found at https://github.com/briandzt/dl-pdac-radiomics-global-n-paramaps
- Abstract（参考訳）: 放射能と深層学習はともに定量的な医療画像撮影のための強力なツールを提供するが、既存の核融合法は地球規模の放射能の特徴のみを活かし、空間的に解決された放射能パラメトリックマップの補完的な価値を見落としている。
膵管腺癌 (PDAC) の診断において, まず識別的放射線学的特徴を抽出し, 膵管腺癌 (PDAC) の診断において, 放射能を増強したnnUNetに注入する統合的枠組みを提案する。
PANORAMAデータセットでは,AUC = 0.96,AP = 0.84をクロスバリデーションで達成した。
外部の社内コホートでは、AUC = 0.95とAP = 0.78を達成し、ベースラインのnnUNetを上回り、PANORAMAグランドチャレンジでも2位となった。
これは、手作りの放射能が、グローバルレベルとボクセルレベルの両方で注入されると、PDAC検出のためのディープラーニングモデルに補完的な信号を与えることを示す。
私たちのコードはhttps://github.com/briandzt/dl-pdac-radiomics-global-n-paramapsで見られます。
関連論文リスト
- OmniRad: A Radiological Foundation Model for Multi-Task Medical Image Analysis [2.8826431001526616]
我々は、120万枚の医療画像に基づいて事前訓練された、自己監督型基礎モデルであるOmniRadを紹介する。
分類とセグメンテーションにまたがる幅広い公開ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-02-04T13:38:51Z) - Beyond the First Read: AI-Assisted Perceptual Error Detection in Chest Radiography Accounting for Interobserver Variability [3.32947201358052]
本稿では,ポスト解釈コンパニオンシステムであるRADARを紹介する。
RADARは放射線学のアノテーションとCXRの画像を取り込み、地域レベルの分析を行う。
RADARのリコールは0.78、精度は0.44、F1のスコアは0.56であった。
論文 参考訳（メタデータ） (2025-06-16T02:36:38Z) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳（メタデータ） (2024-08-13T01:30:03Z) - Dose Prediction Driven Radiotherapy Paramters Regression via Intra- and
Inter-Relation Modeling [8.31243292970232]
線量マップ予測段階と放射線治療パラメータ回帰段階を含む放射線治療パラメータを直接回帰する新しい2段階フレームワークを提案する。
ステージ1では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)を組み合わせて、豊かなグローバルおよびローカル情報で現実的な線量マップを予測する。
ステージ2では、イントラ・リレーショナル・モデリング(Intra-RM)モジュールとインター・リレーショナル・モデリング(Inter-RM)モジュール(Inter-RM)モジュールの2つの精巧なモジュールが、正確なパラメータ回帰のために臓器特異的および臓器共有の特徴を利用するように設計されている。
論文 参考訳（メタデータ） (2024-02-29T05:57:35Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-08-29T17:44:28Z) - Radiomics-Informed Deep Learning for Classification of Atrial
Fibrillation Sub-Types from Left-Atrium CT Volumes [32.27899227937808]
心房細動(AF)は急速で不整脈を特徴とし、心不全などの致命的な合併症を引き起こす。
既存の分類手法は、タスクに最適でない可能性のある一般的な放射能的特徴に依存している。
深層学習と放射能アプローチの利点を組み合わせた,放射能インフォームド深層学習法(RIDL)を提案する。
論文 参考訳（メタデータ） (2023-08-14T04:22:36Z) - Radiology-GPT: A Large Language Model for Radiology [74.07944784968372]
本稿では,ラジオロジーのための大規模言語モデルであるRadiology-GPTを紹介する。
StableLM、Dolly、LLaMAといった一般的な言語モデルと比較して、優れたパフォーマンスを示している。
放射線診断、研究、通信において大きな汎用性を示す。
論文 参考訳（メタデータ） (2023-06-14T17:57:24Z) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - Open-radiomics: A Collection of Standardized Datasets and a Technical Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
我々は,3つのオープンソースデータセット,高次グリオーマ(HGG)と低次グリオーマ(LGG)の分類と生存分析のためのBraTS 2020に基づいて,大規模放射線学データセットをキュレートした。
脳腫瘍369例(GG76例,HG293例)に本プロトコルを適用した。
binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
論文 参考訳（メタデータ） (2022-07-29T16:37:46Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z)
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。