論文の概要: Multimodal MRI Report Findings Supervised Brain Lesion Segmentation with Substructures

• arxiv url: http://arxiv.org/abs/2602.20994v1
• Date: Tue, 24 Feb 2026 15:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.809057
• Title: Multimodal MRI Report Findings Supervised Brain Lesion Segmentation with Substructures
• Title（参考訳）: サブストラクチャーによる脳病変分節の短縮が観察されたマルチモーダルMRIの1例
• Authors: Yubin Ge, Yongsong Huang, Xiaofeng Liu,
• Abstract要約: 報告監督(RSuper)学習は,放射線学報告からの制約を伴って,密度の高い腫瘍のボクセルラベルの必要性を軽減することを目的としている。 脳腫瘍のMRIでは、しばしばマルチパラメトリックスキャンとサブストラクチャーが関与する。 統一された一方的な不確実性認識型定式化 (MS-RSuper) を導入する。 (i) モダリティ特異的定性的キューとそれに対応するサブ構造を, 存在と欠失を用いて整列し, (ii) 部分的量的キューに対して一方的な下限を強制し, (iii) 部分的量的キューに対して外部と軸内解剖学的先行を付加する。
• 参考スコア（独自算出の注目度）: 7.440460582948378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Report-supervised (RSuper) learning seeks to alleviate the need for dense tumor voxel labels with constraints derived from radiology reports (e.g., volumes, counts, sizes, locations). In MRI studies of brain tumors, however, we often involve multi-parametric scans and substructures. Here, fine-grained modality/parameter-wise reports are usually provided along with global findings and are correlated with different substructures. Moreover, the reports often describe only the largest lesion and provide qualitative or uncertain cues (``mild,'' ``possible''). Classical RSuper losses (e.g., sum volume consistency) can over-constrain or hallucinate unreported findings under such incompleteness, and are unable to utilize these hierarchical findings or exploit the priors of varied lesion types in a merged dataset. We explicitly parse the global quantitative and modality-wise qualitative findings and introduce a unified, one-sided, uncertainty-aware formulation (MS-RSuper) that: (i) aligns modality-specific qualitative cues (e.g., T1c enhancement, FLAIR edema) with their corresponding substructures using existence and absence losses; (ii) enforces one-sided lower-bounds for partial quantitative cues (e.g., largest lesion size, minimal multiplicity); and (iii) adds extra- vs. intra-axial anatomical priors to respect cohort differences. Certainty tokens scale penalties; missing cues are down-weighted. On 1238 report-labeled BraTS-MET/MEN scans, our MS-RSuper largely outperforms both a sparsely-supervised baseline and a naive RSuper method.
• Abstract（参考訳）: 報告監督(RSuper)学習は、放射線学報告(例えば、体積、数、サイズ、位置)に由来する制約で、密度の高い腫瘍のボクセルラベルの必要性を軽減することを目的としている。 しかし、脳腫瘍のMRIでは、しばしばマルチパラメトリックスキャンとサブストラクチャーが関与する。 ここでは、細粒度モード/パラメータワイドレポートは、通常、大域的な発見と共に提供され、異なるサブ構造と相関する。 さらに、報告は最大の病変のみを記述し、質的または不確実な手がかり(`mild,''`possible'')を提供することが多い。 古典的なRSuper損失(例えば、総容積の一貫性)は、そのような不完全性の下で報告されていない発見を過剰に抑制または幻覚させ、これらの階層的な発見を利用することができず、統合されたデータセットにおける様々な病変の先行を利用できない。 我々は,グローバルな量的・モダリティ的な質的発見を明示的に解析し,統一的で一方的な不確実性を考慮した定式化(MS-RSuper)を導入する。 i) モダリティ特異的定性的手がかり(例えば、T1cの増強、FLAIR浮腫)を、存在及び不在の損失を用いて対応するサブ構造と整合させる。 (ii) 部分的量的手がかり(例えば、最大の病変の大きさ、最小の多重度)に対して一方的な下限を強制し、 (iii)コホート差を尊重するために、外方対軸椎間解剖前駆体を付加する。 確実なトークンはペナルティをスケールします。 1238年に報告されたBraTS-MET/MENスキャンでは,MS-RSuperは軽度に教師付きベースラインと単純RSuper法の両方に優れていた。

関連論文リスト

• No Modality Left Behind: Adapting to Missing Modalities via Knowledge Distillation for Brain Tumor Segmentation [11.776176055438313]
  AdaMMは、欠落したモダリティシナリオに適したマルチモーダル脳腫瘍セグメンテーションフレームワークである。 AdaMMは既存の手法を一貫して上回り、セグメンテーション精度とロバスト性に優れる。
  論文  参考訳（メタデータ） (2025-09-18T14:47:20Z)
• Robust Brain Tumor Segmentation with Incomplete MRI Modalities Using Hölder Divergence and Mutual Information-Enhanced Knowledge Transfer [10.66488607852885]
  不完全なモダリティであっても高いセグメンテーション精度を実現する頑健な単一モード並列処理フレームワークを提案する。 モデルでは、利用可能な入力に基づいてネットワークパラメータを動的に調整しながら、モダリティ固有の特徴を維持している。 これらのばらつきと情報に基づく損失関数を用いることで、このフレームワークは予測と地味ラベルの差異を効果的に定量化する。
  論文  参考訳（メタデータ） (2025-07-02T00:18:07Z)
• GANet-Seg: Adversarial Learning for Brain Tumor Segmentation with Hybrid Generative Models [1.0456203870202954]
  この研究は、事前訓練されたGANとUnetアーキテクチャを利用した脳腫瘍セグメンテーションのための新しいフレームワークを導入する。 グローバルな異常検出モジュールと改良されたマスク生成ネットワークを組み合わせることで,腫瘍感受性領域を正確に同定する。 マルチモーダルMRIデータと合成画像拡張を用いて、ロバスト性を改善し、限られたアノテートデータセットの課題に対処する。
  論文  参考訳（メタデータ） (2025-06-26T13:28:09Z)
• Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection [35.46541584018842]
  非教師なし異常検出(UAD)は、病理分類の有効な代替手段として現れる。 近年のUAD異常スコアリング機能は、強度のみに焦点を合わせ、構造的差異を無視することが多く、セグメンテーション性能を損なう。 構造的類似性(SSIM)は強度と構造的格差の両方を捉え、古典的な$l1$エラーよりも有利である。
  論文  参考訳（メタデータ） (2024-03-21T09:50:39Z)
• Towards frugal unsupervised detection of subtle abnormalities in medical imaging [0.0]
  医用画像における異常検出は、異常が注釈付けされていない状況では難しい課題である。 汎用性が広く認識されている確率分布の混合について検討する。 このオンラインアプローチは、新たに診断されたパーキンソン病患者の追跡において、MR脳スキャンの微妙な異常の検出が困難であることを示すものである。
  論文  参考訳（メタデータ） (2023-09-04T07:44:54Z)
• 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)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。