論文の概要: Multicentric thrombus segmentation using an attention-based recurrent network with gradual modality dropout

• arxiv url: http://arxiv.org/abs/2604.00817v1
• Date: Wed, 01 Apr 2026 12:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.981662
• Title: Multicentric thrombus segmentation using an attention-based recurrent network with gradual modality dropout
• Title（参考訳）: 段階的モダリティ降下を伴う注意型再帰ネットワークを用いた多心性トロンバスセグメンテーション
• Authors: Sofia Vargas-Ibarra, Vincent Vigneron, Hichem Maaref, Sonia Garcia-Salicetti,
• Abstract要約: 注意に基づく繰り返しセグメンテーションネットワーク(UpAttLLSTM)を結合する手法を提案する。 UpAttLLSTMは、リカレントユニット(2.5D)を介してコンテキストを集約し、アテンションゲートを使用して、利用可能なシーケンス間で補完的なキューを融合する。 単中心コホートでは,Diceスコア0.65の症例の90%以上でトロンビを検出する。 モダリティを欠いたマルチセンター環境では、Diceスコアで約0.35で80%の検知を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting and delineating tiny targets in 3D brain scans is a central yet under-addressed challenge in medical imaging.In ischemic stroke, for instance, the culprit thrombus is small, low-contrast, and variably expressed across modalities(e.g., susceptibility-weighted T2 blooming, diffusion restriction on DWI/ADC), while real-world multi-center dataintroduce domain shifts, anisotropy, and frequent missing sequences. We introduce a methodology that couples an attention-based recurrent segmentation network (UpAttLLSTM), a training schedule that progressively increases the difficulty of hetero-modal learning, with gradual modality dropout, UpAttLLSTM aggregates context across slices via recurrent units (2.5D) and uses attention gates to fuse complementary cues across available sequences, making it robust to anisotropy and class imbalance. Gradual modality dropout systematically simulates site heterogeneity,noise, and missing modalities during training, acting as both augmentation and regularization to improve multi-center generalization. On a monocentric cohort, our approach detects thrombi in >90% of cases with a Dice score of 0.65. In a multi-center setting with missing modalities, it achieves-80% detection with a Dice score around 0.35. Beyond stroke, the proposed methodology directly transfers to other small-lesion tasks in 3D medical imaging where targets are scarce, subtle, and modality-dependent
• Abstract（参考訳）: 例えば、虚血性脳卒中では、犯人の血栓は小さく、低コントラストであり、様々なモダリティ(例えば、感受性重み付けされたT2の開花、DWI/ADCでの拡散制限)で表現されるが、実際のマルチセンターのデータセンターではドメインシフト、異方性、そして頻繁に欠落するシーケンスを誘導する。 注意に基づく再帰的セグメンテーションネットワーク(UpAttLLSTM)を導入し、段階的なモダリティ低下を伴うヘテロモーダル学習の難易度を漸進的に向上させる訓練スケジュール、UpAttLLSTMは、リカレントユニット(2.5D)を介してスライス間のコンテキストを集約し、アテンションゲートを用いて、利用可能なシーケンス間で補完的キューを融合し、異方性やクラス不均衡に堅牢にする手法を提案する。 Gradual modality dropoutは、トレーニング中の部位の不均一性、ノイズ、欠如を体系的にシミュレートし、多中心一般化を改善するために拡張と正規化の両方として機能する。 単中心コホートでは,Diceスコア0.65の症例の90%以上でトロンビを検出する。 モダリティを欠いたマルチセンター環境では、Diceスコアで約0.35で80%の検知を実現している。 脳卒中以外には、ターゲットが乏しく、微妙で、モダリティに依存している3D医療画像において、提案手法は、他の小さな作業に直接移行する。

関連論文リスト

• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• 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)
• Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound [40.97115667616978]
  正確なセグメンテーションのために2D/3Dボックスにのみ依存するFlip Learningと呼ばれる新しい学習ベースのWSSフレームワークを導入する。 ボックスからターゲットを消去して分類タグのフリップを容易にするために複数のエージェントが使用され、消去された領域が予測されたセグメンテーションマスクとして機能する。 提案手法は最先端のWSS手法や基礎モデルより優れており,完全教師付き学習アルゴリズムと同等の性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-26T16:20:02Z)
• MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
  本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。 このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-07T19:59:55Z)
• Supervised Contrastive Learning to Classify Paranasal Anomalies in the Maxillary Sinus [43.850343556811275]
  深層学習技術を用いて,MRI画像から副鼻腔系の異常を自動的に検出できる。 副鼻腔奇形分類における既存の深層学習法は、少なくとも1つの異常を診断するために用いられてきた。 コントラスト損失とクロスエントロピー損失を組み合わせた新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-05T12:31:28Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)
• An anatomically-informed 3D CNN for brain aneurysm classification with weak labels [0.2010294990327175]
  弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。 当社のアプローチは,データセット生成の非自明な課題に端を発しています。 本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
  論文  参考訳（メタデータ） (2020-11-27T08:00:54Z)

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。