論文の概要: Unlabeled Cross-Center Automatic Analysis for TAAD: An Integrated Framework from Segmentation to Clinical Features

• arxiv url: http://arxiv.org/abs/2603.26019v1
• Date: Fri, 27 Mar 2026 02:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.331161
• Title: Unlabeled Cross-Center Automatic Analysis for TAAD: An Integrated Framework from Segmentation to Clinical Features
• Title（参考訳）: TAADのラベルなしクロスセンター自動解析: セグメンテーションから臨床機能への統合フレームワーク
• Authors: Mengdi Liu, Qiang Li, Weizhi Nie, Shaopeng Zhang, Yuting Su,
• Abstract要約: 本稿では,TAAD 臨床特徴の自動抽出のためのunsupervised domain adaptation (UDA) によるフレームワークを提案する。 本フレームワークは,信頼性と定量的な臨床特徴抽出,高コストアノテーションに依存しない実用的デプロイ性を実現することを目的としている。
• 参考スコア（独自算出の注目度）: 27.14568431654833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Type A Aortic Dissection (TAAD) is a life-threatening cardiovascular emergency that demands rapid and precise preoperative evaluation. While key anatomical and pathological features are decisive for surgical planning, current research focuses predominantly on improving segmentation accuracy, leaving the reliable, quantitative extraction of clinically actionable features largely under-explored. Furthermore, constructing comprehensive TAAD datasets requires labor-intensive, expert level pixel-wise annotations, which is impractical for most clinical institutions. Due to significant domain shift, models trained on a single center dataset also suffer from severe performance degradation during cross-institutional deployment. This study addresses a clinically critical challenge: the accurate extraction of key TAAD clinical features during cross-institutional deployment in the total absence of target-domain annotations. To this end, we propose an unsupervised domain adaptation (UDA)-driven framework for the automated extraction of TAAD clinical features. The framework leverages limited source-domain labels while effectively adapting to unlabeled data from target domains. Tailored for real-world emergency workflows, our framework aims to achieve stable cross-institutional multi-class segmentation, reliable and quantifiable clinical feature extraction, and practical deployability independent of high-cost annotations. Extensive experiments demonstrate that our method significantly improves cross-domain segmentation performance compared to existing state-of-the-art approaches. More importantly, a reader study involving multiple cardiovascular surgeons confirms that the automatically extracted clinical features provide meaningful assistance for preoperative assessment, highlighting the practical utility of the proposed end-to-end segmentation-to-feature pipeline.
• Abstract（参考訳）: A型大動脈解離(A type Aortic Dissection, TAAD)は、心臓血管の急速かつ正確な術前評価を必要とする救命救急疾患である。 重要な解剖学的特徴と病理学的特徴は外科的計画において決定的であるが、現在の研究は主にセグメンテーションの精度の向上に重点を置いており、臨床に有効な特徴の信頼性と定量的な抽出は、ほとんど探索されていない。 さらに、包括的なTAADデータセットの構築には、多くの臨床機関では非現実的な、労働集約的、専門家レベルのピクセル単位のアノテーションが必要である。 ドメインシフトが大きくなったため、単一のセンターデータセットでトレーニングされたモデルも、クロスインスティテュートデプロイメント時のパフォーマンス低下に悩まされる。 本研究は,ターゲットドメインアノテーションの完全欠如による施設間展開におけるTAAD臨床特徴の正確な抽出という,臨床的に重要な課題に対処する。 そこで本研究では,TAAD 臨床特徴の自動抽出のためのunsupervised domain adaptation (UDA) によるフレームワークを提案する。 このフレームワークは、限られたソースドメインラベルを利用し、ターゲットドメインからのラベルなしデータに効果的に適応する。 本フレームワークは, 現実の緊急ワークフローを念頭に置いて, 安定したクロスインスタンス・マルチクラスセグメンテーション, 信頼性と定量的な臨床特徴抽出, 低コストアノテーションに依存しない実用的デプロイ性を実現することを目的としている。 大規模な実験により,本手法は既存の最先端手法と比較して,クロスドメインセグメンテーション性能を著しく向上することが示された。 さらに重要なことは、複数の心臓血管外科医を含む読者による研究は、自動的に抽出された臨床特徴が術前評価に有意義な補助を与えることを確認し、提案されたエンドツーエンドセグメンテーション・トゥ・フューチャーパイプラインの実用性を強調している。

関連論文リスト

• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Rethinking Intracranial Aneurysm Vessel Segmentation: A Perspective from Computational Fluid Dynamics Applications [22.729240391465634]
  脳動脈瘤とその親血管(IA-Vessel)の正確な分節は血行動態解析にとって重要なステップである。 641個の3次元MRA画像と587個の動脈瘤アノテーションとIA-Vesselsを併用した総合的多施設コレクションを報告した。
  論文  参考訳（メタデータ） (2025-12-01T06:23:07Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• CADS: A Comprehensive Anatomical Dataset and Segmentation for Whole-Body Anatomy in Computed Tomography [27.1055374364626]
  我々は,全体CTセグメント化のための異種データソースの体系的統合,標準化,ラベル付けを優先するオープンソースフレームワークであるCADSを提案する。 コアには22,022のCTボリュームの大規模なデータセットがあり、167の解剖学的構造に対する完全なアノテーションがある。 18の公開データセットと独立した実世界の病院コホートを包括的に評価することにより、SoTAアプローチに対するアドバンテージを実証する。
  論文  参考訳（メタデータ） (2025-07-29T19:58:32Z)
• DIAS: A Dataset and Benchmark for Intracranial Artery Segmentation in DSA sequences [19.61593883367223]
  血管形態の定量化にはDSA(Digital Subtraction Angiography)の頭蓋内動脈(IA)が重要である。 現在の研究は、主にプロプライエタリデータセットを使用した単一フレームDSAのセグメンテーションに焦点を当てている。 DSAシークエンスにおけるIAセグメンテーションのためのデータセットであるDIASを紹介する。
  論文  参考訳（メタデータ） (2023-06-21T10:03:56Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• An Efficient Framework for Automated Screening of Clinically Significant Macular Edema [0.41998444721319206]
  本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。 提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。 スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
  論文  参考訳（メタデータ） (2020-01-20T07:34:13Z)

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。