論文の概要: Meta-D: Metadata-Aware Architectures for Brain Tumor Analysis and Missing-Modality Segmentation

• arxiv url: http://arxiv.org/abs/2603.04811v1
• Date: Thu, 05 Mar 2026 04:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.076117
• Title: Meta-D: Metadata-Aware Architectures for Brain Tumor Analysis and Missing-Modality Segmentation
• Title（参考訳）: Meta-D:脳腫瘍解析と欠損モードセグメンテーションのためのメタデータ対応アーキテクチャ
• Authors: SangHyuk Kim, Daniel Haehn, Sumientra Rampersad,
• Abstract要約: 本稿では,MRIシークエンスや平面配向などの分類的スキャナメタデータを明示的に活用して特徴抽出を導くアーキテクチャであるMeta-Dを提案する。 まず,T1,T2の注入配列と平面(軸方向)メタデータが畳み込み特性を動的に調節する2次元腫瘍検出法について検討した。 メタデータは、データが利用可能であるときに特徴抽出を基礎とするため、データの欠落時にロバストなアンカーとして機能する、という仮説を立てる。
• 参考スコア（独自算出の注目度）: 1.526156659531584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Meta-D, an architecture that explicitly leverages categorical scanner metadata such as MRI sequence and plane orientation to guide feature extraction for brain tumor analysis. We aim to improve the performance of medical image deep learning pipelines by integrating explicit metadata to stabilize feature representations. We first evaluate this in 2D tumor detection, where injecting sequence (e.g., T1, T2) and plane (e.g., axial) metadata dynamically modulates convolutional features, yielding an absolute increase of up to 2.62% in F1-score over image-only baselines. Because metadata grounds feature extraction when data are available, we hypothesize it can serve as a robust anchor when data are missing. We apply this to 3D missing-modality tumor segmentation. Our Transformer Maximizer utilizes metadata-based cross-attention to isolate and route available modalities, ensuring the network focuses on valid slices. This targeted attention improves brain tumor segmentation Dice scores by up to 5.12% under extreme modality scarcity while reducing model parameters by 24.1%.
• Abstract（参考訳）: 本稿では,MRI シークエンスや平面方位などの分類型スキャナメタデータを明示的に活用し,脳腫瘍解析のための特徴抽出をガイドするアーキテクチャであるMeta-Dを提案する。 医用画像深層学習パイプラインの性能向上を目的として,特徴表現を安定させるために,明示的なメタデータを統合する。 画像のみのベースラインよりもF1スコアの最大2.62%の絶対的な増加が期待できる2D腫瘍検出において, インジェクションシーケンス (eg, T1, T2) と平面 (eg, axial) メタデータが動的に畳み込み特性を調節する。 メタデータは、データが利用可能であるときに特徴抽出を基礎とするため、データの欠落時にロバストなアンカーとして機能する、という仮説を立てる。 これを3D欠失モード腫瘍セグメンテーションに応用する。 我々のTransformer Maximizerは、メタデータベースのクロスアテンションを利用して、利用可能なモダリティを分離し、ルーティングし、ネットワークが有効なスライスにフォーカスすることを保証する。 この目的の注意は、モデルパラメーターを24.1%減少させながら、極度のモダリティ不足下で、Diceの脳腫瘍のセグメンテーションスコアを最大5.12%向上させる。

関連論文リスト

• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• MRI Plane Orientation Detection using a Context-Aware 2.5D Model [1.526156659531584]
  人間は2次元MRIスライスで簡単に解剖学的平面を識別できるが、自動化されたシステムはこのタスクに苦労する。 本研究では,平面配向メタデータを正確に生成する分類器を開発した。 我々は3Dスライスシーケンスと静的2D画像の両方で2.5Dモデルを訓練する。 脳腫瘍検出タスクにおいて生成したメタデータの有用性を検証する。
  論文  参考訳（メタデータ） (2025-11-18T01:00:57Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
  本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。 このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。 提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
  論文  参考訳（メタデータ） (2025-07-14T07:29:49Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
  我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。 エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。 欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
  論文  参考訳（メタデータ） (2022-10-06T18:23:42Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma Segmentation in MRI Scans [22.60715394470069]
  畳み込み3Dから2次元MRパッチ変換モデルにより,新しい画素ワイドセグメンテーションフレームワークを考案する。 本アーキテクチャでは, 局所スライス特性とグローバルスライス特性を併用して, 中央ボクセルのクラスラベルを推定する。
  論文  参考訳（メタデータ） (2020-10-20T20:42:52Z)

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。