論文の概要: Improving Deep Learning-Based Target Volume Auto-Delineation for Adaptive MR-Guided Radiotherapy in Head and Neck Cancer: Impact of a Volume-Aware Dice Loss

• arxiv url: http://arxiv.org/abs/2604.10130v1
• Date: Sat, 11 Apr 2026 09:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.862556
• Title: Improving Deep Learning-Based Target Volume Auto-Delineation for Adaptive MR-Guided Radiotherapy in Head and Neck Cancer: Impact of a Volume-Aware Dice Loss
• Title（参考訳）: 頭頸部癌に対するAdaptive MR-Guided Radiotherapy における深層学習に基づく目標容積自動ガイドラインの改善 : 量的損失の影響
• Authors: Sogand Beirami, Zahra Esmaeilzadeh, Ahmed Gomaa, Pluvio Stephan, Ishita Sheth, Thomas Weissmann, Juliane Szkitsak, Philipp Schubert, Yixing Huang, Annette Schwarz, Stefanie Corradini, Florian Putz,
• Abstract要約: 頭頸部癌(HNC)は放射線治療計画において重要なボトルネックとなっている。 本研究では,Volume-Aware (VA) Dice損失関数の自己構成型ディープラーニングフレームワークへの統合性を評価する。
• 参考スコア（独自算出の注目度）: 0.6293257258936094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Manual delineation of target volumes in head and neck cancer (HNC) remains a significant bottleneck in radiotherapy planning, characterized by high inter-observer variability and time consumption. This study evaluates the integration of a Volume-Aware (VA) Dice loss function into a self-configuring deep learning framework to enhance the auto-segmentation of primary tumors (PT) and metastatic lymph nodes (LN) for adaptive MR-guided radiotherapy. We investigate how volume-sensitive weighting affects the detection of small, anatomically complex nodal metastases compared to conventional loss functions. Methods: Utilizing the HNTS-MRG 2024 dataset, we implemented an nnU-Net ResEnc M architecture. We conducted a multi-label segmentation task, comparing a standard Dice loss baseline against two Volume-Aware configurations: a "Dual Mask" setup (VA loss on both PT and LN) and a "Selective LN Mask" setup (VA loss on LN only). Evaluation metrics included volumetric Dice scores, surface-based metrics (SDS, MSD, HD95), and lesion-wise binary detection sensitivity and precision. Results: The Selective LN Mask configuration achieved the highest LN Volumetric Dice Score (0.758 vs. 0.734 baseline) and significantly improved LN Lesion-Wise Detection Sensitivity (84.93% vs. 81.80%). However, a critical trade-off was observed; PT detection precision declined significantly in the selective setup (63.65% vs. 81.27%). The Dual Mask configuration provided the most balanced performance across both targets, maintaining primary tumor precision at 82.04% while improving LN sensitivity to 83.46%. Conclusions: A volume-sensitive loss function mitigated the under-representation of small metastatic lesions in HNC. While selective weighting yielded the best nodal detection, a dual-mask approach is required in multi-label tasks to maintain segmentation accuracy for larger primary tumor volumes.
• Abstract（参考訳）: 背景: 頭頸部癌(HNC)における標的体積の経時的非直線化は放射線治療計画において重要なボトルネックであり, 高いサーバ間変動と時間消費が特徴である。 本研究では,原発性腫瘍(PT)と転移性リンパ節(LN)の自己切除を適応的MR誘導放射線治療に有効にするために,Volume-Aware (VA) Dice loss関数を自己設定深層学習フレームワークに統合することを検討した。 従来の損失関数と比較して,体積感受性の重み付けが微小で解剖学的に複雑な結節転移の検出にどう影響するかを検討した。 方法: HNTS-MRG 2024データセットを用いて,nnU-Net ResEnc Mアーキテクチャを実装した。 マルチラベルセグメンテーションタスクを行い、標準のDice損失ベースラインを2つのVolume-Aware設定と比較した: "Dual Mask"設定(PTとLNの両方でVAロス)と"Selective LN Mask"設定(LNのみでVAロス)である。 評価基準は、ボリュームDiceスコア、サーフェスベースメトリクス(SDS、MSD、HD95)、病変の2値検出感度と精度であった。 結果:選択的なLNマスク構成はLNボリュームDiceスコア(0.758対0.734ベースライン)を最高に達成し,LN病変検出感度(84.93%対81.80%)を大幅に改善した。 しかし、重要なトレードオフが観測され、PT検出精度は選択的な設定で大幅に低下した(63.65%対81.27%)。 デュアルマスクは両方の目標に対して最もバランスの取れた性能を提供し、一次腫瘍の精度は82.04%、LN感度は83.46%に向上した。 結語: 容積感受性損失関数はHNCの小さな転移病変の低発現を緩和した。 選択重み付けは最高の結節検出を導出するが, より大きな原発腫瘍量に対する分節精度を維持するためには, マルチラベルタスクにおいて二重マスクアプローチが必要である。

関連論文リスト

• Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
  この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。 本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-04-01T02:25:25Z)
• An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net [0.6087515951830486]
  本稿では,実行中の注意ゲートを付加したU-Netモデルに基づく新たなセグメンテーション手法を提案する。 クラス不均衡に対応するために、標準的な分類的クロスエントロピーとともに、Dice LossやCategorical Dice Lossのような手動設計の損失関数を用いる。 提案手法は精度0.9919,Dice係数0.9901,IoU0.9873,感度0.9908,特異度0.9974で優れた性能を示した。
  論文  参考訳（メタデータ） (2026-03-24T15:42:49Z)
• Tunable Wavelet Unit based Convolutional Neural Network in Optical Coherence Tomography Analysis Enhancement for Classifying Type of Epiretinal Membrane Surgery [4.385760909371705]
  上皮膜(ERM)除去手術の種類を分類する深層学習法を開発した。 我々のモデルは, ResNet18畳み込みニューラルネットワーク(CNN)アーキテクチャに基づいて, 術後光コヒーレンス断層撮影(OCT)センタースキャンを入力として利用する。 さらに精度を向上させるために、直交格子系ウェーブレットユニット(OrthLatt-UwU)と完全再構成緩和系ウェーブレットユニット(PR-Relax-UwU)の2つの主要な適応で調整可能なウェーブレットユニットを統合した。
  論文  参考訳（メタデータ） (2025-07-01T13:46:06Z)
• Universal Lymph Node Detection in Multiparametric MRI with Selective Augmentation [5.587946304971424]
  放射線医は、悪性リンパ節と良性リンパ節を区別するために、通常、リンパ節(LN)のサイズを測定する。 重篤な臨床日に小転移性LNが欠失する可能性があった。 生体内良性ノードと転移性ノードの両方を普遍的に検出するパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:46:43Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station Stratification [26.37655039085294]
  リンパ節 (LN) は体中に散在する小さな腺である。 異なる局におけるCT画像の出現とLNのコンテキストは, 自動検出の課題として大きく異なる。 駅情報を活用することでLN検出性能を向上させるための新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-28T02:41:41Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• Universal Lymph Node Detection in T2 MRI using Neural Networks [9.256201343701251]
  T2 Magnetic Resonance Imaging (MRI) における転移を疑う腹部リンパ節の同定は, 増殖性疾患の進行に重要である。 LN検出の以前の研究は、単一のMRスライスで身体の特定の解剖学的領域(骨盤、直腸)に限られていた。 本研究では,ニューラルネットワークを用いた容積T2MRIにおける腹部LNを普遍的に同定するCADパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-03-31T18:52:35Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。