論文の概要: CTSCAN: Evaluation Leakage in Chest CT Segmentation and a Reproducible Patient-Disjoint Benchmark

• arxiv url: http://arxiv.org/abs/2604.15561v1
• Date: Thu, 16 Apr 2026 22:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.670601
• Title: CTSCAN: Evaluation Leakage in Chest CT Segmentation and a Reproducible Patient-Disjoint Benchmark
• Title（参考訳）: CTSCAN : 胸部CT切片の漏れと再現性の検討
• Abstract要約: CTSCANは再現可能な多ソース胸部CTベンチマークと研究スタックである。 元のスライス-PNGワークフローは、列車、バリデーション、テスト間でほぼ完全なケース再利用を誘導する。 修正されたベンチマークには、決定論的スプリットマニフェスト、明示的な弱いスーパービジョン制御、スクリプト化されたマルチシードプロトコルスイープ、再現可能なフィギュア生成が組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reported chest CT segmentation performance can be strongly inflated when train and test partitions mix slices from the same study. We present CTSCAN, a reproducible multi-source chest CT benchmark and research stack designed to measure what survives under patient-disjoint evaluation. The current four-class artifact aggregates 89 cases from PleThora, MedSeg SIRM, and LongCIU, and we show that the original slice-PNG workflow induces near-complete case reuse across train, validation, and test. Using the playground environment, we run a multi-seed protocol sweep with the same FPN plus EfficientNet-B0 control configuration under slice-mixed and case-disjoint evaluation. Across 3 seeds and 12 epochs per seed, the slice-mixed protocol reaches 0.6665 foreground Dice and 0.5031 foreground IoU, whereas the case-disjoint protocol reaches 0.2066 Dice and 0.1181 IoU. Removing patient reuse therefore reduces foreground Dice by 0.4599 absolute (69.00% relative) and foreground IoU by 0.3850 absolute (76.52% relative). CTSCAN packages the corrected benchmark with deterministic split manifests, explicit weak-supervision controls, a scripted multi-seed protocol sweep, and reproducible figure generation, providing a reusable basis for patient-disjoint chest CT evaluation.
• Abstract（参考訳）: 胸部CTのセグメンテーション性能は, 列車と試験の仕切りが同じ研究のスライスを混合した場合, 強く膨らませることができる。 再現性のある多ソース胸部CTベンチマークであるCTSCANと,患者分離評価の生存状況を測定するための研究スタックについて述べる。 現在の4クラスアーティファクトは、PleThora、MedSeg SIRM、LongCIUから89のケースを集約し、オリジナルのスライス-PNGワークフローが、列車、検証、テストのほぼ完全なケース再利用を誘導していることを示す。 プレイグラウンド環境では同じFPNとEfficientNet-B0制御構成のマルチシードプロトコルをスライス・ミックスおよびケース・ディスジョイント評価で実行します。 種子3種と種子12エポックにわたって、スライス混合プロトコルは前景Diceが0.6665、前景IoUが0.5031、ケース分離プロトコルが0.2066Diceと0.1181IoUに達する。 したがって、患者の再利用は前景のDiceを0.4599絶対(69.00%)、前景のIoUを0.3850絶対(76.52%)減少させる。 CTSCANは、決定論的スプリットマニフェスト、明示的な弱いスーパービジョンコントロール、スクリプト化されたマルチシードプロトコルスイープ、再現可能なフィギュア生成を備えた修正されたベンチマークをパッケージし、患者分離胸部CT評価の再利用基盤を提供する。

関連論文リスト

• Task-Based CT Protocol Optimization Using Reinforcement Learning and Virtual Imaging Trials [15.128815032056806]
  CT(Computerd tomography)におけるプロトコル最適化は,放射線線量削減を図り,画像品質の向上を目的としている。 効率的なCTプロトコル最適化のための強化学習を用いた仮想画像トライアルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-10T15:00:41Z)
• HERMES: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT [3.2632075797484887]
  HERMESは3つのHECKTOR 2026サブタスクのための単一のコンテナ化アルゴリズムである。 STU-Net Smallネットワークの10倍のアンサンブルがセグメンテーションを生成する。 HERMESは0.6454(Mean Dice 0.641, T balanced accuracy 0.580, N balanced accuracy 0.642, RFS C-index 0.679)の重み付きスコアを獲得し、テストフェーズの資格を得た。
  論文  参考訳（メタデータ） (2026-07-29T05:47:18Z)
• Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
  両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。 本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2026-06-02T12:32:43Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• A Nonlinear Complexity Index for Wearable PPG Cardiovascular Stability: Multiscale Validation, Systematic Evaluation Correction, and Bayesian Parameter Optimization [1.1344265020822928]
  心血管安定性指数 (SCSI) を導入し, 4つの異種時間尺度から176,742セグメントで検証した。 我々は,真のベースラインから0.5732まで成分を注入する3つの評価アーティファクトを同定した。
  論文  参考訳（メタデータ） (2026-05-11T13:55:30Z)
• CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study [11.316541559874864]
  本研究は,CT-to-X-rayアーキテクチャではなく,正確なタスク定義,障害モード,ランキング不安定性,将来的なCT-to-X-ray転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。
  論文  参考訳（メタデータ） (2026-03-31T02:25:33Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• AI-Assisted Pleural Effusion Volume Estimation from Contrast-Enhanced CT Images [0.0]
  Pleuralfusions (PE) は多くの異なる臨床疾患でよく見られる疾患である。 CTスキャンで音量を正確に測定することは難しい。 コントラスト強調CTボリュームに基づく半教師付きディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-04T16:06:10Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers [3.704003490598663]
  放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。 肺がんおよび乳癌患者の心下組織を分断するために, プレトレーニングしたトランスフォーマーをハイブリッドトランスフォーマー畳み込みネットワーク (HTN) に改良した。 HTNは, 画像, 患者特性の異なるCTからの心筋部分構造を, 確固たる精度(幾何学的, 線量的測定値)で示していた。
  論文  参考訳（メタデータ） (2025-05-16T04:48:33Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully Convolutional Networks [4.062948258086793]
  大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。 我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
  論文  参考訳（メタデータ） (2023-05-16T22:24:01Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。