論文の概要: CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study

• arxiv url: http://arxiv.org/abs/2603.29167v1
• Date: Tue, 31 Mar 2026 02:25:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.046167
• Title: CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study
• Title（参考訳）: タイニーピアドコホートによるCT-to-X線蒸留 : 再現性試験による検証
• Authors: Bo Ma, Jinsong Wu, Weiqi Yan, Hongjiang Wei,
• Abstract要約: 本研究は,CT-to-X-rayアーキテクチャではなく,正確なタスク定義,障害モード,ランキング不安定性,将来的なCT-to-X-ray転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。
• 参考スコア（独自算出の注目度）: 11.316541559874864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest X-ray and computed tomography (CT) provide complementary views of thoracic disease, yet most computer-aided diagnosis models are trained and deployed within a single imaging modality. The concrete question studied here is narrower and deployment-oriented: on a patient-level paired chest cohort, can CT act as training-only supervision for a binary disease versus non-disease X-ray classifier without requiring CT at inference time? We study this setting as a cross-modality teacher--student distillation problem and use JDCNet as an executable pilot scaffold rather than as a validated superior architecture. On the original patient-level paired split from a public paired chest imaging cohort, a stripped-down plain cross-modal logit-KD control attains the highest mean result on the four-image validation subset (0.875 accuracy and 0.714 macro-F1), whereas the full module-augmented JDCNet variant remains at 0.750 accuracy and 0.429 macro-F1. To test whether that ranking is a split artifact, we additionally run eight patient-level Monte Carlo resamples with same-case comparisons, stronger mechanism controls based on attention transfer and feature hints, and imbalance-sensitive analyses. Under this resampled protocol, late fusion attains the highest mean accuracy (0.885), same-modality distillation attains the highest mean macro-F1 (0.554) and balanced accuracy (0.660), the plain cross-modal control drops to 0.500 mean balanced accuracy, and neither attention transfer nor feature hints recover a robust cross-modality advantage. The contribution of this study is therefore not a validated CT-to-X-ray architecture, but a reproducible and evidence-bounded pilot protocol that makes the exact task definition, failure modes, ranking instability, and the minimum requirements for future credible CT-to-X-ray transfer claims explicit.
• Abstract（参考訳）: 胸部X線とCTは胸部疾患の相補的な見方を提供するが、ほとんどのコンピュータ支援診断モデルは単一の画像モダリティ内に訓練され展開される。 患者レベルのペアの胸部コホートでは、CTは推論時にCTを必要とせず、非解像X線分類器に対して2次疾患のトレーニングのみの監督として機能するか? 本研究では, クロスモダリティの教員として, 学生の蒸留問題として研究を行い, JDCNetを優れたアーキテクチャとしてではなく, 実行可能なパイロットの足場として利用した。 パブリックペア胸部イメージングコホートから分離された当初の患者レベルペアでは、4つの画像検証サブセット(0.875精度と0.714マクロF1)において、ストリップダウンされたプレーンなクロスモーダルロジット−KD制御が最高平均値に達する一方、フルモジュール拡張JDCNet変種は0.750精度と0.429マクロF1のままである。 ランキングが分割されたアーティファクトであるかどうかを調べるため,同ケース比較による8つの患者レベルモンテカルロリサンプリング,注意伝達と特徴ヒントに基づくより強力なメカニズム制御,不均衡感性分析を行った。 この再サンプリングプロトコルの下では、後期核融合は最高平均精度(0.885)に達し、同モード蒸留は最高平均マクロF1(0.554)と平衡精度(0.660)を獲得し、平らなクロスモーダル制御は平均平衡精度0.500に低下し、注意伝達も特徴ヒントも堅牢なクロスモーダル優位性を回復しない。 したがって, 本研究の貢献はCT-to-X線アーキテクチャではなく, 正確なタスク定義, 故障モード, ランキング不安定性, 将来的なCT-to-X線転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。

関連論文リスト

• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• 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)
• A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
  本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
  論文  参考訳（メタデータ） (2023-09-15T14:18:53Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Exploring contrast generalisation in deep learning-based brain MRI-to-CT synthesis [0.0]
  MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。 ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
  論文  参考訳（メタデータ） (2023-03-17T18:45:05Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
  新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-31T22:09:14Z)

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。