論文の概要: Representation-Level Adversarial Regularization for Clinically Aligned Multitask Thyroid Ultrasound Assessment

• arxiv url: http://arxiv.org/abs/2603.21095v1
• Date: Sun, 22 Mar 2026 07:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.2349
• Title: Representation-Level Adversarial Regularization for Clinically Aligned Multitask Thyroid Ultrasound Assessment
• Title（参考訳）: 臨床適応型マルチタスク甲状腺超音波検査におけるRepresentation-Level Adversarial Regularization
• Authors: Dina Salama, Mohamed Mahmoud, Nourhan Bayasi, David Liu, Ilker Hacihaliloglu,
• Abstract要約: 甲状腺超音波検査は、甲状腺結節を検査し、生検が保証されているかどうかを判定するための第一線検査である。 放射線学者は、計測のための結節輪郭と、超音波検査基準に基づくTI-RADSリスクカテゴリの2つの出力を生成する。 単一モデルで結節マスクとTI-RADSのカテゴリを共同で予測する,臨床ガイド付きマルチタスクフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 7.520393692451524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thyroid ultrasound is the first-line exam for assessing thyroid nodules and determining whether biopsy is warranted. In routine reporting, radiologists produce two coupled outputs: a nodule contour for measurement and a TI-RADS risk category based on sonographic criteria. Yet both contouring style and risk grading vary across readers, creating inconsistent supervision that can degrade standard learning pipelines. In this paper, we address this workflow with a clinically guided multitask framework that jointly predicts the nodule mask and TI-RADS category within a single model. To ground risk prediction in clinically meaningful evidence, we guide the classification embedding using a compact TI-RADS aligned radiomics target during training, while preserving complementary deep features for discriminative performance. However, under annotator variability, naive multitask optimization often fails not because the tasks are unrelated, but because their gradients compete within the shared representation. To make this competition explicit and controllable, we introduce RLAR, a representation-level adversarial gradient regularizer. Rather than performing parameter-level gradient surgery, RLAR uses each task's normalized adversarial direction in latent space as a geometric probe of task sensitivity and penalizes excessive angular alignment between task-specific adversarial directions. On a public TI-RADS dataset, our clinically guided multitask model with RLAR consistently improves risk stratification while maintaining segmentation quality compared to single-task training and conventional multitask baselines. Code and pretrained models will be released.
• Abstract（参考訳）: 甲状腺超音波検査は、甲状腺結節を検査し、生検が保証されているかどうかを判定するための第一線検査である。 定期的な報告では、放射線学者は、計測のための結節輪郭と、超音波基準に基づくTI-RADSリスクカテゴリの2つの結合出力を生成する。 しかし、コンツーリングスタイルとリスクグレードの両方が読者によって異なり、標準学習パイプラインを劣化させるような一貫性のない監視を生み出している。 本稿では,1つのモデルで結節マスクとTI-RADSのカテゴリを共同で予測する,臨床ガイド付きマルチタスクフレームワークを用いて,このワークフローに対処する。 臨床的に有意なエビデンスでリスク予測を行うため,小型のTI-RADSアライメントラジオミクスターゲットを用いた分類埋め込みを指導し,識別性能の相補的な深い特徴を保存した。 しかし、アノテータの可変性の下では、単純マルチタスク最適化は、タスクが無関係であるだけでなく、それらの勾配が共有表現内で競合するため、しばしば失敗する。 この競合を明確かつ制御可能にするために、表現レベルの逆勾配正規化器であるRLARを導入する。 パラメータレベルの勾配手術を行う代わりに、RLARは各タスクの正規化対角方向を潜時空間で使用し、タスク特異的対角方向間の過剰な角度アライメントの幾何的プローブとする。 一般のTI-RADSデータセットでは,RLARを用いた臨床指導によるマルチタスクモデルは,シングルタスクトレーニングや従来のマルチタスクベースラインと比較して,セグメンテーション品質を維持しつつ,リスク階層化を一貫して改善する。 コードと事前訓練されたモデルがリリースされる。

関連論文リスト

• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Exploiting Unlabeled Structures through Task Consistency Training for Versatile Medical Image Segmentation [24.25178585285867]
  余分なモデルを必要としないクラス不均衡に対処するためのタスク一貫性トレーニング(TCT)フレームワークを導入する。 低整合性、潜在的にノイズの多いデータからの誤りの伝搬を避けるため、そのようなデータを除外するためのフィルタリング戦略を提案する。 各種臨床施設の腹腔内データセット8種について実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-05T01:04:32Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• U2AD: Uncertainty-based Unsupervised Anomaly Detection Framework for Detecting T2 Hyperintensity in MRI Spinal Cord [7.811634659561162]
  脊髄MR画像におけるT2過強度は、変性頚髄症などの病態において重要なバイオマーカーである。 深層学習法は病変検出の可能性を示してきたが、ほとんどの教師付きアプローチは大きな注釈付きデータセットに大きく依存している。 本稿では,これらの制約に対処するため,不確実性に基づくunsupervised Anomaly DetectionフレームワークであるU2ADを提案する。
  論文  参考訳（メタデータ） (2025-03-17T17:33:32Z)
• Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
  放射線治療計画において,腫瘍標的と臓器の脱線は重要である。 自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。 提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
  論文  参考訳（メタデータ） (2024-05-20T02:32:46Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation [56.86396352441269]
  我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。 前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。 対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
  論文  参考訳（メタデータ） (2020-05-21T02:53:52Z)

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。