論文の概要: LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling

• arxiv url: http://arxiv.org/abs/2604.11348v1
• Date: Mon, 13 Apr 2026 11:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.509504
• Title: LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling
• Title（参考訳）: LoGo-MR:効率的なOmni-Sliceモデリングによる癌リスク予測のための乳頭MRIのスクリーニング
• Authors: Xin Wang, Yuan Gao, George Yiasemis, Antonio Portaluri, Zahra Aghdam, Muzhen He, Luyi Han, Yaofei Duan, Chunyao Lu, Xinglong Liang, Tianyu Zhang, Vivien van Veldhuizen, Yue Sun, Tao Tan, Ritse Mann, Jonas Teuwen,
• Abstract要約: 約5年間のリスク予測のための2.5次元局所グローバル構造モデリングフレームワークであるLoGo-MRを提案する。 提案手法は2D/3Dベースラインと既存のSOTA MIL法より優れ、1年から5年予測のAUCは0.77-0.69であり、3D CNNよりも6%向上した。
• 参考スコア（独自算出の注目度）: 25.81781398091172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Efficient and explainable breast cancer (BC) risk prediction is critical for large-scale population-based screening. Breast MRI provides functional information for personalized risk assessment. Yet effective modeling remains challenging as fully 3D CNNs capture volumetric context at high computational cost, whereas lightweight 2D CNNs fail to model inter-slice continuity. Importantly, breast MRI modeling for shor- and long-term BC risk stratification remains underexplored. In this study, we propose LoGo-MR, a 2.5D local-global structural modeling framework for five-year BC risk prediction. Aligned with clinical interpretation, our framework first employs neighbor-slice encoding to capture subtle local cues linked to short-term risk. It then integrates transformer-enhanced multiple-instance learning (MIL) to model distributed global patterns related to long-term risk and provide interpretable slice importance. We further apply this framework across axial, sagittal, and coronal planes as LoGo3-MR to capture complementary volumetric information. This multi-plane formulation enables voxel-level risk saliency mapping, which may assist radiologists in localizing risk-relevant regions during breast MRI interpretation. Evaluated on a large breast MRI screening cohort (~7.5K), our method outperforms 2D/3D baselines and existing SOTA MIL methods, achieving AUCs of 0.77-0.69 for 1- to 5-year prediction and improving C-index by ~6% over 3D CNNs. LoGo3-MR further improves overall performance with interpretable localization across three planes, and validation across seven backbones shows consistent gains. These results highlight the clinical potential of efficient MRI-based BC risk stratification for large-scale screening. Code will be released publicly.
• Abstract（参考訳）: 乳がんのリスク予測は, 大規模検診において極めて重要である。 乳頭MRIは、パーソナライズされたリスクアセスメントのための機能情報を提供する。 しかし、完全な3D CNNは高い計算コストでボリュームコンテキストをキャプチャするのに対し、軽量な2D CNNはスライス間の連続性をモデル化しないため、効果的なモデリングは依然として困難である。 乳房MRIによる短大・長期のリスク層形成の予測はいまだに未検討である。 本研究では,5年間のリスク予測のための2.5次元局所グローバル構造モデリングフレームワークであるLoGo-MRを提案する。 臨床解釈と並行して,本フレームワークは,短期的リスクに関連する微妙な局所的手がかりを捉えるために,まず隣接するスライス符号化を用いる。 次に、Transformer-enhanced Multiple-Instance Learning (MIL)を統合し、長期的なリスクに関連する分散グローバルパターンをモデル化し、解釈可能なスライスの重要性を提供する。 さらに, 軸方向, 矢状面, コロナ面を LoGo3-MR として適用し, 相補的な体積情報を取得する。 この多面体定式化により、ボクセルレベルのリスク・サリエンシ・マッピングが可能となり、乳房MRIの解釈において、リスク関連領域の局在化を支援することができる。 胸部MRI検診コホート(-7.5K)を用いて2D/3Dベースラインと既存のSOTA MIL法より優れ,1～5年予測で0.77-0.69のAUCを達成し,C-indexを3D CNNで約6%改善した。 LoGo3-MRは、3つのプレーンにわたる解釈可能なローカライゼーションによって全体的なパフォーマンスをさらに向上する。 以上の結果から, 大規模検診において, 効率的なMRIによるBCGリスク層形成の可能性が示唆された。 コードは公開されます。

関連論文リスト

• MamaDino: A Hybrid Vision Model for Breast Cancer 3-Year Risk Prediction [6.617593699054488]
  MamaDinoはマンモグラフィーを意識した多視点DINOモデルである。 両側乳房情報をバイラテラルミクサーで収集し、3年間の乳がんリスクスコアを出力する。
  論文  参考訳（メタデータ） (2026-02-14T23:56:22Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• 2D Ultrasound Elasticity Imaging of Abdominal Aortic Aneurysms Using Deep Neural Networks [0.5249805590164902]
  腹部大動脈瘤 (AAA) は破裂の可能性があるため, 臨床的リスクが高い。 2次元超音波を用いたAAAの弾力性イメージングのためのディープラーニングに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-25T21:42:54Z)
• Towards Synergistic Deep Learning Models for Volumetric Cirrhotic Liver Segmentation in MRIs [1.5228650878164722]
  世界的死亡の主な原因である肝硬変は、効果的な疾患モニタリングと治療計画のためにROIを正確に区分する必要がある。 既存のセグメンテーションモデルは、複雑な機能インタラクションをキャプチャして、さまざまなデータセットをまたいだ一般化に失敗することが多い。 本稿では、補間潜在空間を拡張的特徴相互作用モデリングに活用する新しい相乗論的理論を提案する。
  論文  参考訳（メタデータ） (2024-08-08T14:41:32Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。