論文の概要: Virtual Biopsy for Intracranial Tumors Diagnosis on MRI

• arxiv url: http://arxiv.org/abs/2602.21613v1
• Date: Wed, 25 Feb 2026 06:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.724582
• Title: Virtual Biopsy for Intracranial Tumors Diagnosis on MRI
• Title（参考訳）: MRIにおける頭蓋内腫瘍診断のための仮想生検
• Authors: Xinzhe Luo, Shuai Shao, Yan Wang, Jiangtao Wang, Yutong Bai, Jianguo Zhang,
• Abstract要約: 重要な機能を制御するエロークエント脳領域に位置する頭蓋内腫瘍は、重要な診断上の課題を呈している。 生検は出血や神経学的障害の固有のリスクを持ち、腫瘍の空間的不均一性によるサンプリングバイアスに苦慮している。 本稿では, 標準化のためのMRI-Processor, 弱監督による粗大な局所化のための視覚言語モデルを用いた腫瘍ローカライザ, 局所的な識別特徴をグローバルな文脈で表現するMasked Channel Attention機構を備えたAdaptive-Diagnoserを提案する。
• 参考スコア（独自算出の注目度）: 18.805570180920004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep intracranial tumors situated in eloquent brain regions controlling vital functions present critical diagnostic challenges. Clinical practice has shifted toward stereotactic biopsy for pathological confirmation before treatment. Yet biopsy carries inherent risks of hemorrhage and neurological deficits and struggles with sampling bias due to tumor spatial heterogeneity, because pathological changes are typically region-selective rather than tumor-wide. Therefore, advancing non-invasive MRI-based pathology prediction is essential for holistic tumor assessment and modern clinical decision-making. The primary challenge lies in data scarcity: low tumor incidence requires long collection cycles, and annotation demands biopsy-verified pathology from neurosurgical experts. Additionally, tiny lesion volumes lacking segmentation masks cause critical features to be overwhelmed by background noise. To address these challenges, we construct the ICT-MRI dataset - the first public biopsy-verified benchmark with 249 cases across four categories. We propose a Virtual Biopsy framework comprising: MRI-Processor for standardization; Tumor-Localizer employing vision-language models for coarse-to-fine localization via weak supervision; and Adaptive-Diagnoser with a Masked Channel Attention mechanism fusing local discriminative features with global contexts. Experiments demonstrate over 90% accuracy, outperforming baselines by more than 20%.
• Abstract（参考訳）: 深部頭蓋内腫瘍は, 重要な機能を制御するエロークエント脳領域に存在し, 重要な診断上の課題を呈している。 臨床は治療前の病理診断のために立体的生検に移行した。 しかし、生検は出血や神経学的欠陥の固有のリスクを伴い、腫瘍の空間的不均一性によるサンプリングバイアスに苦慮する。 したがって, 全身性腫瘍評価や最近の臨床診断には, 非侵襲的MRIによる病理診断の進歩が不可欠である。 主な課題はデータの不足であり、腫瘍の頻度の低い場合は長い収集サイクルが必要であり、アノテーションは神経外科の専門家から生検で検証された病理学を必要とする。 さらに、セグメンテーションマスクを欠いた小さな病変の体積は、背景ノイズによって致命的な特徴を圧倒する。 これらの課題に対処するため,ICT-MRIデータセットを構築した。 本稿では, 標準化のためのMRI-Processor, 弱監督による粗大な局所化のための視覚言語モデルを用いた腫瘍ローカライザ, 局所的な識別特徴をグローバルな文脈で表現するMasked Channel Attention機構を備えたAdaptive-Diagnoserを提案する。 実験では90%以上の精度を示し、ベースラインを20%以上上回っている。

関連論文リスト

• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• Subspecialty-Specific Foundation Model for Intelligent Gastrointestinal Pathology [38.30990764764014]
  Digepathは、GI病理学の専門的な基礎モデルである。 GI疾患の210,043枚のH&E画像から3億3300万枚以上のマルチスケール画像に事前トレーニングされている。 GI病理に関連する34のタスクのうち33のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-28T03:22:08Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Efficient and Comprehensive Feature Extraction in Large Vision-Language Model for Pathology Analysis [37.11302829771659]
  大規模視覚言語モデル(LVLM)は、入力解像度の制約によって制限され、病理画像解析の効率と精度を損なう。 課題誘導型機能拡張と課題誘導型詳細機能補完の2つの革新的戦略を提案する。 OmniPathは診断精度と効率において既存の方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-12T18:07:23Z)
• The 2024 Brain Tumor Segmentation (BraTS) Challenge: Glioma Segmentation on Post-treatment MRI [5.725734864357991]
  治療後のグリオーマMRIに対する2024 Brain tumor (BraTS)チャレンジは、最先端の自動セグメンテーションモデルのコミュニティ標準とベンチマークを提供する。 競合他社は、4つの異なる腫瘍サブリージョンを予測するために、自動セグメンテーションモデルを開発する。 モデルは別個の検証とテストデータセットで評価される。
  論文  参考訳（メタデータ） (2024-05-28T17:07:55Z)
• BraTS-Path Challenge: Assessing Heterogeneous Histopathologic Brain Tumor Sub-regions [29.940537460789688]
  グリオ芽腫は、最も一般的な成人脳腫瘍であり、グリム予後を呈する。 BraTS-Pathの課題は、組織的に準備された包括的なデータセットと、ディープラーニングモデルの開発と適切な比較を行うためのベンチマーク環境を提供することである。
  論文  参考訳（メタデータ） (2024-05-17T16:02:21Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
  グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。 ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-01T18:56:09Z)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。