論文の概要: Low Dose CT for Stroke Diagnosis: A Dual Pipeline Deep Learning Framework for Portable Neuroimaging

• arxiv url: http://arxiv.org/abs/2603.26764v1
• Date: Tue, 24 Mar 2026 00:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.583402
• Title: Low Dose CT for Stroke Diagnosis: A Dual Pipeline Deep Learning Framework for Portable Neuroimaging
• Title（参考訳）: ストローク診断のための低線量CT : 可搬型ニューロイメージングのためのデュアルパイプラインディープラーニングフレームワーク
• Authors: Rhea Ghosal, Ronok Ghosal, Eileen Lou,
• Abstract要約: モバイル臨床環境におけるAI支援トリアージのための低用量CT(LDCT)脳スキャンによる脳卒中分類のためのディープラーニングフレームワークを提案する。 1)うるさいLDCT画像の直接分類と,(2)難聴化と分類の2つのパイプラインを比較した。 最高の音階分類パイプラインは、適度な線量レベルで0.94 AUCと0.91の精度を達成し、特定のケースでは6%の直接分類を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Portable CT scanners enable early stroke detection in prehospital and low-resource settings but require reduced radiation doses, introducing noise that degrades diagnostic reliability. We present a deep learning framework for stroke classification from simulated low-dose CT (LDCT) brain scans for AI-assisted triage in mobile clinical environments. Controlled Poisson noise is applied to high-dose CT images to simulate realistic LDCT conditions. We compare two pipelines: (1) direct classification of noisy LDCT images and (2) denoising followed by classification. Performance is evaluated across multiple dose levels using accuracy, sensitivity, and AUC. While denoising improves perceptual image quality, it does not consistently improve classification. In several settings, direct classification yields higher sensitivity, revealing a trade-off between perceptual quality and diagnostic utility. The best denoise-then-classify pipeline achieves 0.94 AUC and 0.91 accuracy at moderate dose levels, outperforming direct classification by up to 6% in select cases. This work establishes a reproducible baseline for LDCT stroke triage using hemorrhagic stroke data (RSNA dataset) and highlights the need for validation on ischemic cohorts and real-world portable CT systems.
• Abstract（参考訳）: ポータブルCTスキャナーは、院内および低リソース環境で早期の脳卒中検出を可能にするが、放射線線量を減らす必要があり、診断の信頼性を低下させるノイズを発生させる。 モバイル臨床環境におけるAI支援トリアージのための低用量CT(LDCT)脳スキャンによる脳卒中分類のためのディープラーニングフレームワークを提案する。 制御されたポアソンノイズを高線量CT画像に適用して現実的なLDCT条件をシミュレートする。 1)うるさいLDCT画像の直接分類と,(2)難聴化と分類の2つのパイプラインを比較した。 評価は、精度、感度、AUCを用いて、複数の線量レベルで評価される。 デノナイジングは知覚の画質を改善するが、常に分類を改善するわけではない。 いくつかの設定では、直接分類は高い感度をもたらし、知覚品質と診断ユーティリティのトレードオフを明らかにする。 最高の音階分類パイプラインは、適度な線量レベルで0.94 AUCと0.91の精度を達成し、特定のケースでは6%の直接分類を達成している。 本研究は、出血性脳卒中データ(RSNAデータセット)を用いたLDCT脳卒中トリアージの再現可能なベースラインを確立し、虚血性コホートと実世界のポータブルCTシステムに対する検証の必要性を強調した。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Assessing the performance of CT image denoisers using Laguerre-Gauss Channelized Hotelling Observer for lesion detection [1.0523436939538895]
  低放射線下で取得した雑音画像から難聴画像を取り出すための深層学習手法を提案する。 本研究では、視覚的知覚とデータ忠実度に基づくタスク非依存のメトリクスを用いて、ディープラーニングの認知アルゴリズムの画質を評価する。 通常のCT画像と比較すると,PSNR(2.4～3.8dB)やSSIM(0.05～0.11)などの測定値に基づいて,ディープラーニングデノイザーは低用量CTよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-04T00:11:19Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT [7.879949714759592]
  低線量CT (low-dose Computed Tomography) denoising algorithm) は, 日常的なCT取得において, 患者線量を減らすことを目的としている。 深層学習(DL)に基づく手法が導入された。 本稿では, 畳み込み型DLベースデノナイジングネットワークと組み合わせた, トレーニング可能な連立フィルタ(JBF)の組み合わせによるハイブリッドデノナイジング手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:30:32Z)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A Simulation Study [4.7849095200575045]
  放射能の特徴は、低線量ct(low dose computed tomography)スキャンのようなノイズ画像から計算される。 本稿では, ノイズCTで算出した放射能特性の改善の可能性について, 生成モデルを用いて検討する。 その結果, エンコーダデコーダネットワーク (edn) と条件付き生成型adversarial network (cgans) を用いたノイズctで算出した放射能特性を改善することができた。
  論文  参考訳（メタデータ） (2021-04-30T15:18:57Z)

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。