論文の概要: Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging

• arxiv url: http://arxiv.org/abs/2604.00985v1
• Date: Wed, 01 Apr 2026 14:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.04287
• Title: Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging
• Title（参考訳）: Diffusion Weighted Imaging によるT2-Only前立腺癌局在の最大化
• Authors: Weixi Yi, Yipei Wang, Wen Yan, Hanyuan Zhang, Natasha Thorley, Alexander Ng, Shonit Punwani, Fernando Bianco, Mark Emberton, Veeru Kasivisvanathan, Dean C. Barratt, Shaheer U. Saeed, Yipeng Hu,
• Abstract要約: マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
• 参考スコア（独自算出の注目度）: 68.57480103120561
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiparametric MRI is increasingly recommended as a first-line noninvasive approach to detect and localize prostate cancer, requiring at minimum diffusion-weighted (DWI) and T2-weighted (T2w) MR sequences. Early machine learning attempts using only T2w images have shown promising diagnostic performance in segmenting radiologist-annotated lesions. Such uni-modal T2-only approaches deliver substantial clinical benefits by reducing costs and expertise required to acquire other sequences. This work investigates an arguably more challenging application using only T2w at inference, but to localize individual cancers based on independent histopathology labels. We formulate DWI images as a latent modality (readily available during training) to classify cancer presence at local Barzell zones, given only T2w images as input. In the resulting expectation-maximization algorithm, a latent modality generator (implemented using a flow matching-based generative model) approximates the latent DWI image posterior distribution in the E-steps, while in M-steps a cancer localizer is simultaneously optimized with the generative model to maximize the expected likelihood of cancer presence. The proposed approach provides a novel theoretical framework for learning from a privileged DWI modality, yielding superior cancer localization performance compared to approaches that lack training DWI images or existing frameworks for privileged learning and incomplete modalities. The proposed T2-only methods perform competitively or better than baseline methods using multiple input sequences (e.g., improving the patient-level F1 score by 14.4\% and zone-level QWK by 5.3\% over the T2w+DWI baseline). We present quantitative evaluations using internal and external datasets from 4,133 prostate cancer patients with histopathology-verified labels.
• Abstract（参考訳）: マルチパラメトリックMRIは前立腺癌を検出および局所化するための第一線非侵襲的アプローチとして,最小拡散強調(DWI)およびT2強調(T2w)MRシークエンスを必要とすることがますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 このような一様T2のみのアプローチは、他の配列を取得するのに必要なコストと専門知識を減らし、かなりの臨床効果をもたらす。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。 T2w画像のみを入力として,局所バーゼル領域における癌の存在を分類するために,DWI画像を潜在モダリティとして定式化する。 この結果の予測最大化アルゴリズムでは、遅延モード生成(フローマッチングベース生成モデルを用いて実装)がEステップ内の潜伏DWI画像後部分布を近似し、Mステップでは、ガンローカライザが生成モデルに同時に最適化され、癌の存在が期待される確率を最大化する。 提案手法は、DWI画像の訓練を欠くアプローチや、特権学習のための既存のフレームワークや不完全なモダリティよりも優れたがん局所化性能をもたらす、特権付きDWIモダリティから学ぶための新しい理論的枠組みを提供する。 提案したT2-only法は,複数の入力シーケンスを用いたベースライン法よりも競合的に,あるいは優れている(例えば,患者レベルのF1スコアが14.4\%,ゾーンレベルのQWKが5.3\%,T2w+DWIベースラインが5.3\%)。 前立腺癌4,133例の病理組織学的検討を行った。

関連論文リスト

• Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI [1.2899392854599374]
  本稿では,ロバストな分布T2推定のためのブートストラップに基づく推論フレームワークを提案する。 提案手法では, 推定時間ブートストレッピングを用いて, ノイズアーティファクトの滑らか化と, 基礎となる緩和分布への忠実度の向上を図る。 これらの結果から,低SNR腹部造影像における定量的T2緩和法の有用性が示唆された。
  論文  参考訳（メタデータ） (2026-03-14T19:10:46Z)
• T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging [39.64252838533947]
  現在の画像に基づく前立腺癌の診断には、MR T2強調画像(T2w)と拡散強調画像(DWI)の両方が必要である。 DWI配列における拡散パターンの測定には時間がかかり、アーティファクトに傾向があり、イメージングパラメータに敏感である。 本研究では,T2wシーケンスのみを推論時間に用いた機械学習(ML)手法の可能性について検討した。
  論文  参考訳（メタデータ） (2024-11-11T22:38:45Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)

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。