論文の概要: PanGuide3D: Cohort-Robust Pancreas Tumor Segmentation via Probabilistic Pancreas Conditioning and a Transformer Bottleneck
- arxiv url: http://arxiv.org/abs/2604.20981v1
- Date: Wed, 22 Apr 2026 18:10:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.120133
- Title: PanGuide3D: Cohort-Robust Pancreas Tumor Segmentation via Probabilistic Pancreas Conditioning and a Transformer Bottleneck
- Title（参考訳）: PanGuide3D:Cohort-Robust Pancreas tumor Segmentation by Probabilistic Pancreas Conditioning and a Transformer Bottleneck
- Authors: Sunny Joy Ma, Xiang Ma,
- Abstract要約: PanGuide3Dはコホート・ロバストアーキテクチャで、共有された3D膵臓デコーダを持つ。
PanGuide3Dは、腫瘍全体のパフォーマンスを最高のものにし、コホート間の堅牢性を改善した。
- 参考スコア（独自算出の注目度）: 8.54537444302574
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pancreatic tumor segmentation in contrast-enhanced computed tomography (CT) is clinically important yet technically challenging: lesions are often small, heterogeneous, and easily confused with surrounding soft tissue, and models that perform well on one cohort frequently degrade under cohort shift. Our goal is to improve cross-cohort generalization while keeping the model architecture simple, efficient, and practical for 3D CT segmentation. We introduce PanGuide3D, a cohort-robust architecture with a shared 3D encoder, a pancreas decoder that predicts a probabilistic pancreas map, and a tumor decoder that is explicitly conditioned on this pancreas probability at multiple scales via differentiable soft gating. To capture long-range context under distribution shift, we further add a lightweight Transformer bottleneck in the U-Net bottleneck representation. We evaluate cohort transfer by training on the PanTS (Pancreatic Tumor Segmentation) cohort and testing both in-cohort (PanTS) and out-of-cohort on MSD (Medical Segmentation Decathlon) Task07 Pancreas, using matched preprocessing and training protocols across strong baselines. We collect voxel-level segmentation metrics, patient-level tumor detection, subgroup analyses by tumor size and anatomical location, volume-conditioned performance analyses, and calibration measurements to assess reliability. Across the evaluated models, PanGuide3D achieves the best overall tumor performance and shows improved cross-cohort generalization, particularly for small tumors and challenging anatomical locations, while reducing anatomically implausible false positives. These findings support probabilistic anatomical conditioning as a practical strategy for improving cross-cohort robustness in an end-to-end model and suggest potential utility for contouring support, treatment planning, and multi-institutional studies.
- Abstract（参考訳）: 造影CT(Contrat-enhanced Computed Tomography)における膵腫瘍の分節化は臨床的には重要であるが、臨床的には困難である:病変は小さく、不均一であり、周囲の軟部組織と容易に混同され、コホートシフト下でしばしば悪化する1つのコホートに対して良好な機能を示すモデルである。
我々のゴールは、モデルアーキテクチャをシンプルで効率的かつ実用的な3次元CTセグメンテーションを維持しながら、クロスコホート一般化を改善することである。
本稿では,共有3Dエンコーダを用いたコホートロバストアーキテクチャであるPanGuide3Dと,確率的膵管マップを予測可能な膵管デコーダと,この膵管の確率を異なるソフトゲーティングにより複数のスケールで明示的に設定した腫瘍デコーダを紹介する。
分散シフト下での長距離コンテキストをキャプチャするために、U-Netボトルネック表現に軽量なTransformerボトルネックを追加する。
本研究は,PanTS(Pancreatic tumor Segmentation)コホートをトレーニングし,MSD(Medical Segmentation Decathlon)Task07 Pancreasにおけるコホート内(PanTS)とアウト・オブ・コホートの両方をテストすることでコホート移動を評価する。
我々は, ボクセルレベルのセグメンテーション, 患者レベルの腫瘍検出, 腫瘍の大きさと解剖学的位置によるサブグループ解析, 容積条件による性能分析, キャリブレーション測定を収集し, 信頼性を評価する。
評価モデル全体にわたって、PanGuide3Dは、最高の総合的な腫瘍性能を達成し、特に小さな腫瘍や解剖学的位置に対するクロスコホート一般化を改善し、解剖学的に不明瞭な偽陽性を減少させる。
これらの知見は,エンド・ツー・エンドモデルにおけるクロスコホート・ロバスト性向上のための実践的戦略として,確率的解剖条件(probabilistic anatomical conditioning)を支持し,コントゥーリング支援,治療計画,多施設研究の潜在的有用性を提案する。
関連論文リスト
- 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) - A Dual-Task Synergy-Driven Generalization Framework for Pancreatic Cancer Segmentation in CT Scans [10.62594407632477]
膵癌は、その顕著な有病率と死亡率によって特徴づけられ、正確な病変の脱線を要求される。
本稿では, ピクセルレベルの分類と回帰処理を相乗化して, 病変を正確に記述する一般化フレームワークを提案する。
膵癌分節タスクの難易度を9.51%改善した。
論文 参考訳（メタデータ） (2025-05-03T00:54:00Z) - MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文 参考訳（メタデータ） (2025-03-18T15:39:44Z) - Is Long Range Sequential Modeling Necessary For Colorectal Tumor Segmentation? [3.4031606383293154]
TransformersやMambaのような長距離ボリュームシーケンスモデリング機構は、3次元画像分割において高い精度を実現する能力に注目を集めている。
我々は,これらのグローバルトークンモデリング手法の有効性を,提案したMambaOutUNetに比較して評価した。
本研究は,ロバストな局所トークン相互作用が,関心領域が小さく,解剖学的に複雑である場合に,長距離モデリング技術より優れていることを示唆する。
論文 参考訳（メタデータ） (2025-02-10T23:24:01Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical
Resectability Prediction of Pancreatic Ductal Adenocarcinoma [1.880228463170355]
膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。
本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2023-10-01T10:39:38Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and
Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。
腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
論文 参考訳（メタデータ） (2020-08-26T22:51:24Z) - Robust Pancreatic Ductal Adenocarcinoma Segmentation with
Multi-Institutional Multi-Phase Partially-Annotated CT Scans [25.889684822655255]
膵管腺癌(PDAC)セグメンテーションは最も困難な腫瘍セグメンテーションの1つである。
新たな自己学習フレームワークに基づいて,より多量の患者を用いてPDACセグメンテーションモデルを訓練することを提案する。
実験の結果,提案手法は,注釈付き画像に基づいてトレーニングしたnnUNetの強いベースラインに対して,Diceスコアの6.3%を絶対的に改善することを示した。
論文 参考訳（メタデータ） (2020-08-24T18:50:30Z)
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。