論文の概要: CrossPan: A Comprehensive Benchmark for Cross-Sequence Pancreas MRI Segmentation and Generalization

• arxiv url: http://arxiv.org/abs/2604.18797v1
• Date: Mon, 20 Apr 2026 20:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.467176
• Title: CrossPan: A Comprehensive Benchmark for Cross-Sequence Pancreas MRI Segmentation and Generalization
• Title（参考訳）: CrossPan: MRIセグメンテーションと一般化のための総合ベンチマーク
• Authors: Linkai Peng, Cuiling Sun, Zheyuan Zhang, Wanying Dou, Halil Ertugrul Aktas, Andrea M Bejar, Elif Keles, Tamas Gonda, Michael B Wallace, Zongwei Zhou, Gorkem Durak, Rajesh N Keswani, Ulas Bagci,
• Abstract要約: CrossPanは、3つの通常の取得シーケンスにわたる1,386の3Dスキャンからなるベンチマークである。 Diceを達成するモデルでは、シーケンス間で転送された場合、ドメイン内の0.85以上のスコアがほぼゼロに崩壊する。 半教師付き学習は、安定した強度分布下でのみゲインを提供し、高い組織内変動性を持つ一般化配列では不安定になる。
• 参考スコア（独自算出の注目度）: 15.982441239969354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic pancreas segmentation is fundamental to abdominal MRI analysis, yet deep learning models trained on one MRI sequence often fail catastrophically when applied to another-a challenge that has received little systematic investigation. We introduce CrossPan, a multi-institutional benchmark comprising 1,386 3D scans across three routinely acquired sequences (T1-weighted, T2-weighted, and Out-of-Phase) from eight centers. Our experiments reveal three key findings. First, cross-sequence domain shifts are far more severe than cross-center variability: models achieving Dice scores above 0.85 in-domain collapse to near-zero (<0.02) when transferred across sequences. Second, state-of-the-art domain generalization methods provide negligible benefit under these physics-driven contrast inversions, whereas foundation models like MedSAM2 maintain moderate zero-shot performance through contrast-invariant shape priors. Third, semi-supervised learning offers gains only under stable intensity distributions and becomes unstable on sequences with high intra-organ variability. These results establish cross-sequence generalization-not model architecture or center diversity-as the primary barrier to clinically deployable pancreas MRI segmentation. Dataset and code are available at https://crosspan.netlify.app/.
• Abstract（参考訳）: 膵自動分画は腹部MRI解析の基本であるが、あるMRIシークエンスで訓練された深層学習モデルは、系統的な研究がほとんどない別の課題に適用した場合に破滅的に失敗することが多い。 そこで本研究では,日常的に取得される3つのシーケンス(T1重み,T2重み,Out-of-Phase)にわたる1,386個の3Dスキャンからなる多施設間ベンチマークであるCrossPanを紹介する。 私たちの実験では3つの重要な発見が明らかになった。 まず、クロスシーケンスドメインシフトは、センター間の変動よりもはるかに深刻である: シーケンス間で転送された場合、Diceスコアを達成するモデルが0.85ドメイン内崩壊(英語版)からほぼゼロ(0.02)に崩壊する。 第二に、最先端の領域一般化法は、これらの物理駆動のコントラスト反転の下では無視できる利点を提供するが、MedSAM2のような基礎モデルは、コントラスト不変形状の先行を通じて、適度なゼロショット性能を維持している。 第3に、半教師付き学習は、安定した強度分布下でのみゲインを提供し、高い組織内変動を持つ配列で不安定になる。 これらの結果は、臨床展開可能な膵臓MRIセグメンテーションの主要な障壁として、クロスシーケンスの一般化-モデルアーキテクチャや中心の多様性-を確立する。 データセットとコードはhttps://crosspan.netlify.app/.com/で公開されている。

関連論文リスト

• Multicentric thrombus segmentation using an attention-based recurrent network with gradual modality dropout [0.0]
  注意に基づく繰り返しセグメンテーションネットワーク(UpAttLLSTM)を結合する手法を提案する。 UpAttLLSTMは、リカレントユニット(2.5D)を介してコンテキストを集約し、アテンションゲートを使用して、利用可能なシーケンス間で補完的なキューを融合する。 単中心コホートでは,Diceスコア0.65の症例の90%以上でトロンビを検出する。 モダリティを欠いたマルチセンター環境では、Diceスコアで約0.35で80%の検知を実現している。
  論文  参考訳（メタデータ） (2026-04-01T12:25:00Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection [45.33258156568741]
  医療画像セグメンテーションの基礎モデルは、アウト・オブ・ディストリビューション・シフトの下で苦労する。 R$2$Segは強力なOOD腫瘍セグメンテーションのためのトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2025-11-16T17:15:52Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Rethink Domain Generalization in Heterogeneous Sequence MRI Segmentation [1.3753367700362567]
  PancreasDGは、大規模な3次元MRI膵セグメンテーションデータセットである。 PancreasDGは、医療画像の領域一般化のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-07-30T21:26:28Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。