論文の概要: Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

• arxiv url: http://arxiv.org/abs/2604.17107v1
• Date: Sat, 18 Apr 2026 18:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.335134
• Title: Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks
• Title（参考訳）: ハイブリット多次元MRI前立腺癌検出法
• Authors: Emadeldeen Hamdan, Gorkem Durak, Muhammed Enes Tasci, Abel Lorente Campos, Aritrick Chatterjee, Roger Engelmann, Gregory Karczma, Aytekin Oto, Ahmet Enis Cetin, Ulas Bagci,
• Abstract要約: 我々は,PCa検出のための2段階AIフレームワークであるHadamard-Bias NetworkとResNet18(HBR-Net-18)を提案する。 最初の段階では、Adamard U-Netベースのアルゴリズムは、6つのパラメトリックHM-MRIマップ間の強度不均一性(バイアス場)を抑制する。 第2段階では、Residual Network (ResNet-18) がパッチレベルの分類を行う。
• 参考スコア（独自算出の注目度）: 4.984516442539689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) is vital for prostate cancer (PCa) diagnosis. While advanced techniques such as Hybrid Multi-dimensional MRI (HM-MRI) have enhanced diagnostic capabilities, the significant need remains for robust, automated Artificial Intelligence (AI)-based detection methods. In this study, we combine quantitative HM-MRI of tissue composition with an AI-based neural network. We propose the Hadamard-Bias Network plus ResNet18 (HBR-Net-18), a two-stage AI framework for PCa detection. In the first stage, a Hadamard U-Net-based algorithm suppresses intensity inhomogeneities (bias fields) across six parametric HM-MRI maps generated via a Physics-Informed Autoencoder (PIA). In the second stage, a Residual Network (ResNet-18) performs patch-level classification. The framework utilizes overlapping 11-by-11 patches, incorporating both 2D intra-slice and 3D inter-slice (adjacent-slice) information to improve spatial consistency. Our experimental results demonstrate that HB-Net achieves balanced sensitivity and specificity, significantly outperforming conventional radiomics-based approaches and baseline CNN models, highlighting its potential for clinical deployment.
• Abstract（参考訳）: 前立腺癌(PCa)の診断にはMRIが不可欠である。 ハイブリッド多次元MRI(Hybrid Multi-dimensional MRI, HM-MRI)のような高度な技術は診断能力を増強しているが、堅牢で自動化された人工知能(AI)ベースの検出方法には大きなニーズが残っている。 本研究では,組織組成の定量的HM-MRIとAIを用いたニューラルネットワークを組み合わせる。 我々は,PCa検出のための2段階AIフレームワークであるHadamard-Bias NetworkとResNet18(HBR-Net-18)を提案する。 最初の段階では、アダマールU-Netに基づくアルゴリズムは、物理インフォームドオートエンコーダ(PIA)によって生成された6つのパラメトリックHM-MRIマップの強度不均一性(バイアス場)を抑制する。 第2段階では、Residual Network (ResNet-18) がパッチレベルの分類を行う。 このフレームワークは重なり合う11-by-11パッチを利用し、2Dイントラスライスと3Dインタースライス(隣接スライス)情報の両方を取り入れ、空間整合性を改善する。 実験の結果,HB-Netは感度と特異性をバランスよく達成し,従来の放射能ベースのアプローチやベースラインCNNモデルよりも優れ,臨床展開の可能性を強調した。

関連論文リスト

• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• Recovering Diagnostic Value: Super-Resolution-Aided Echocardiographic Classification in Resource-Constrained Imaging [0.3937354192623676]
  超高分解能(SR)技術は、MRI(MRI)とCT(CT)スキャンの強化を約束している。 本研究では,低品質2次元心エコー図の分類精度を向上させるために,深層学習に基づくSRの可能性を検討する。 本稿では,高画質画像の高精細化と性能指標の大幅な向上を図るため,SRGAN(Super-Resolution Generative Adversarial Network)とSRResNet(Super-Resolution Residual Network)の2つのSRモデルを適用した。
  論文  参考訳（メタデータ） (2025-07-30T18:45:31Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Synthesizing Missing MRI Sequences from Available Modalities using Generative Adversarial Networks in BraTS Dataset [0.0]
  グリオ芽腫は、非常に攻撃的で致命的な脳腫瘍である。 4つの構造体(T1, T1Gd, T2, T2-FLAIR)のMRIシーケンスが常に利用できるとは限らない。 GAN(Generative Adversarial Networks)は、欠落したMRIシーケンスを合成するために用いられる。
  論文  参考訳（メタデータ） (2023-10-11T07:27:28Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)

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。