論文の概要: USCNet: Transformer-Based Multimodal Fusion with Segmentation Guidance for Urolithiasis Classification

• arxiv url: http://arxiv.org/abs/2604.07141v1
• Date: Wed, 08 Apr 2026 14:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.583754
• Title: USCNet: Transformer-Based Multimodal Fusion with Segmentation Guidance for Urolithiasis Classification
• Title（参考訳）: USCNet: Urolithiasis分類のためのセグメンテーション誘導型トランスフォーマーベース多モード核融合
• Authors: Changmiao Wang, Songqi Zhang, Yongquan Zhang, Yifei Wang, Liya Liu, Nannan Li, Xingzhi Li, Jiexin Pan, Yi Jiang, Xiang Wan, Hai Wang, Ahmed Elazab,
• Abstract要約: 現在の腎臓結石分析法は術後検体に依存している。 Urinary Stone and Classification Network (USCNet) と呼ばれる新しいアプローチを導入する。 USCNetによるCT画像とElectronic Health Records(EHR)の臨床データの統合
• 参考スコア（独自算出の注目度）: 37.84077140280879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kidney stone disease ranks among the most prevalent conditions in urology, and understanding the composition of these stones is essential for creating personalized treatment plans and preventing recurrence. Current methods for analyzing kidney stones depend on postoperative specimens, which prevents rapid classification before surgery. To overcome this limitation, we introduce a new approach called the Urinary Stone Segmentation and Classification Network (USCNet). This innovative method allows for precise preoperative classification of kidney stones by integrating Computed Tomography (CT) images with clinical data from Electronic Health Records (EHR). USCNet employs a Transformer-based multimodal fusion framework with CT-EHR attention and segmentation-guided attention modules for accurate classification. Moreover, a dynamic loss function is introduced to effectively balance the dual objectives of segmentation and classification. Experiments on an in-house kidney stone dataset show that USCNet demonstrates outstanding performance across all evaluation metrics, with its classification efficacy significantly surpassing existing mainstream methods. This study presents a promising solution for the precise preoperative classification of kidney stones, offering substantial clinical benefits. The source code has been made publicly available: https://github.com/ZhangSongqi0506/KidneyStone.
• Abstract（参考訳）: 腎臓石疾患は、尿学において最も一般的な条件の一つであり、これらの石の構成を理解することは、パーソナライズされた治療計画の作成と再発の防止に不可欠である。 現在の腎臓結石分析法は術後の検体に依存しており、手術前の迅速な分類を妨げている。 この制限を克服するために,Urinary Stone Segmentation and Classification Network (USCNet)と呼ばれる新しいアプローチを導入する。 この革新的な方法は、CT画像とElectronic Health Records(EHR)の臨床データを統合することにより、腎臓結石の正確な術前分類を可能にする。 USCNetは、CT-EHRアテンションとセグメンテーション誘導アテンションモジュールを備えたTransformerベースのマルチモーダルフュージョンフレームワークを用いて、正確な分類を行っている。 さらに、セグメント化と分類の二重目的を効果的にバランスさせるために、動的損失関数を導入する。 社内の腎臓結石データセットの実験では、USCNetはすべての評価指標で優れた性能を示しており、その分類の有効性は既存の主流手法をはるかに上回っている。 本研究は,腎臓結石の正確な術前分類のための有望な解法である。 ソースコードは、https://github.com/ZhangSongqi0506/KidneyStone.comで公開されている。

関連論文リスト

• Evaluation of Few-Shot Learning Methods for Kidney Stone Type Recognition in Ureteroscopy [1.077541993594101]
  本研究は, 内視鏡画像における腎臓結石のタイプ同定に十分な識別的特徴を付与することを目的とした, 少数ショット学習に基づく深層学習手法を提案する。 その結果、トレーニングデータの最大25%を使用するプロトタイプネットワークは、完全なデータセットでトレーニングされた従来のディープラーニングモデルと同等以上のパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2025-05-23T13:59:02Z)
• Robust Kidney Abnormality Segmentation: A Validation Study of an AI-Based Framework [3.225563371295004]
  腎臓の容積は腎疾患にとって重要なバイオマーカーとなる可能性がある。 現在、臨床実践はしばしば、腎臓の大きさと異常を評価するために主観的な視覚的評価に頼っている。 本研究の目的は、頑健で徹底的に検証された腎臓異常分節アルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2025-05-12T13:53:19Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
  深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。 注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。 本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
  論文  参考訳（メタデータ） (2023-03-15T01:30:48Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Multi-class motion-based semantic segmentation for ureteroscopy and laser lithotripsy [0.7874708385247353]
  石とレーザー繊維の分断のためのエンドツーエンドCNNベースのフレームワークを提案する。 本研究では,UNet,HybResUNet,DeepLabv3+と比較して,25.4%,20%,11%の平均改善率を示す新たな臨床データセットの一般化を検討した。
  論文  参考訳（メタデータ） (2021-04-02T22:47:21Z)
• Assessing deep learning methods for the identification of kidney stones in endoscopic images [0.0]
  腎臓石のタイプ(すなわち生化学組成)を知ることは再発を防ぐために重要である。 尿素コピー中に腎臓結石を断片化し、尿路から抽出し、その組成を形態構成分析を用いて決定する。 本稿では、ディープ畳み込みニューラルネットワーク(DCNN)と従来の(非DCNN)の5つの分類手法について論じ、比較する。
  論文  参考訳（メタデータ） (2021-03-01T17:31:01Z)
• Self-Supervised Learning for Segmentation [3.8026993716513933]
  腎臓の解剖学的非対称性は、自己教師付き学習による腎臓分画の効果的なプロキシタスクを定義するために利用される。 siamese convolutional neural network (cnn)は、与えられた1対の腎臓切片をctボリュームから同一または異なる側面の腎臓に分類するために使用される。
  論文  参考訳（メタデータ） (2021-01-14T04:28:47Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。