論文の概要: Topology-Guided Biomechanical Profiling: A White-Box Framework for Opportunistic Screening of Spinal Instability on Routine CT
- arxiv url: http://arxiv.org/abs/2603.16963v1
- Date: Tue, 17 Mar 2026 06:34:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.307302
- Title: Topology-Guided Biomechanical Profiling: A White-Box Framework for Opportunistic Screening of Spinal Instability on Routine CT
- Title（参考訳）: Topology-Guided Biomechanical Profiling: An White-Box Framework for Opportunistic Screening of Spinal Instaability on Routine CT
- Authors: Zanting Ye, Xuanbin Wu, Guoqing Zhong, Shengyuan Liu, Jiashuai Liu, Ge Song, Zhisong Wang, Jing Hao, Xiaolong Niu, Yefeng Zheng, Yu Zhang, Lijun Lu,
- Abstract要約: Topology-Guided Biomechanical Profiling (TGBP)は、構造的推論から解剖学的知覚を分離する監査可能なホワイトボックスフレームワークである。
TGBPは2つの決定論的幾何学的革新についてSINSの評価をアンカーする: (i) 後外側境界の曖昧さを解決するための運河参照分割、 (ii) 共分散型指向的境界箱(OBB)による文脈認識型形態素正規化 (i) 脊椎の崩壊の定量化。
- 参考スコア（独自算出の注目度）: 22.852860041642078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Routine oncologic computed tomography (CT) presents an ideal opportunity for screening spinal instability, yet prophylactic stabilization windows are frequently missed due to the complex geometric reasoning required by the Spinal Instability Neoplastic Score (SINS). Automating SINS is fundamentally hindered by metastatic osteolysis, which induces topological ambiguity that confounds standard segmentation and black-box AI. We propose Topology-Guided Biomechanical Profiling (TGBP), an auditable white-box framework decoupling anatomical perception from structural reasoning. TGBP anchors SINS assessment on two deterministic geometric innovations: (i) canal-referenced partitioning to resolve posterolateral boundary ambiguity, and (ii) context-aware morphometric normalization via covariance-based oriented bounding boxes (OBB) to quantify vertebral collapse. Integrated with auxiliary radiomic and large language model (LLM) modules, TGBP provides an end-to-end, interpretable SINS evaluation. Validated on a multi-center, multi-cancer cohort ($N=482$), TGBP achieved 90.2\% accuracy in 3-tier stability triage. In a blinded reader study ($N=30$), TGBP significantly outperformed medical oncologists on complex structural features ($κ=0.857$ vs.\ $0.570$) and prevented compounding errors in Total Score estimation ($κ=0.625$ vs.\ $0.207$), democratizing expert-level opportunistic screening.
- Abstract（参考訳）: 腫瘍性CTは脊椎不安定症の診断に最適であるが,脊髄不安定性新生可塑性スコア(SINS)が要求する複雑な幾何学的推論により,予防的安定化ウィンドウが欠落することが多い。
SINSの自動化は、標準セグメンテーションとブラックボックスAIを混同したトポロジ的曖昧さを誘発する転移性骨分解によって、基本的に妨げられている。
構造的推論から解剖学的知覚を分離する監査可能なホワイトボックスフレームワークであるTopology-Guided Biomechanical Profiling (TGBP)を提案する。
TGBPは2つの決定論的幾何学的革新に関するSINS評価をアンカーする。
一 側方境界の曖昧さを解決するための運河参照分割及び
(II) 脊椎の崩壊を定量化するために, 共分散型指向性境界ボックス(OBB)による文脈認識型形態素正規化を行った。
補助無線および大規模言語モデル(LLM)モジュールと統合され、TGBPはエンドツーエンドで解釈可能なSINS評価を提供する。
TGBPはマルチセンターのコホート(N=482ドル)で検証され、3層安定性トリアージで90.2\%の精度を達成した。
盲目読者の研究(N=30ドル)では、TGBPは複雑な構造的特徴(κ=0.857ドル対。
$0.570$)で、トータルスコア推定における複合エラー(κ=0.625$ vs.)を防ぐ。
0.207ドル、専門家レベルの機会スクリーニングの民主化。
関連論文リスト
- Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。
機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
論文 参考訳（メタデータ） (2026-02-11T16:28:13Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - 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) - Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。
我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。
フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
論文 参考訳（メタデータ） (2025-07-10T23:12:12Z) - Topology-Constrained Learning for Efficient Laparoscopic Liver Landmark Detection [46.2391319253146]
肝のランドマークは腹腔鏡下肝手術中に外科医に重要な解剖学的ガイダンスを提供する。
TopoNetは腹腔鏡下肝ランドマーク検出のための新しいトポロジ制約学習フレームワークである。
我々のフレームワークは、スネーク・CNNデュアルパス・エンコーダを用いて、詳細なRGBテクスチャ情報と深さインフォームドトポロジ構造を同時に取得する。
論文 参考訳（メタデータ） (2025-07-01T07:35:36Z) - AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding
Biomechanical Testing [54.306443917863355]
我々は,ONHの1つのOCTスキャンからのみ,与えられたONHの堅牢性を評価することができるAI駆動型アプローチを提案する。
縦断的研究は、ONHの頑健さが高速な視野障害進行因子の同定に役立つかどうかを確かめるべきである。
論文 参考訳（メタデータ） (2022-06-09T11:29:28Z) - End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of
Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction [0.0]
本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。
ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。
CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
論文 参考訳（メタデータ） (2021-01-08T22:59:30Z)
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。