論文の概要: Assessing Pancreatic Ductal Adenocarcinoma Vascular Invasion: the PDACVI Benchmark

• arxiv url: http://arxiv.org/abs/2604.27582v1
• Date: Thu, 30 Apr 2026 08:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.996216
• Title: Assessing Pancreatic Ductal Adenocarcinoma Vascular Invasion: the PDACVI Benchmark
• Title（参考訳）: 膵管腺癌の血管浸潤の評価 : PDACVI ベンチマークによる検討
• Authors: M. Riera-Marín, O. K. Sikha, J. Rodríguez-Comas, M. S. May, T. Kirscher, X. Coubez, P. Meyer, S. Faisan, Z. Pan, X. Zhou, X. Liang, C. Hémon, V. Boussot, J. -L. Dillenseger, J. -C. Nunes, K. -C. Kahl, C. Lüth, J. Traub, P. -H. Conze, M. M. Duh, A. Aubanell, R. de Figueiredo Cardoso, S. Egger-Hackenschmidt, J. García-López, M. A. González-Ballester, A. Galdran,
• Abstract要約: 膵管腺癌のステージングにおける不確実性を意識したAIのためのオープンベンチマークを,スキャン毎に5つの独立した専門家アノテーションを付加した濃密な注釈付きデータセットに基づいて導入した。 その結果、二分法に最適化された手法は平均重なり合いの指標で競合的に機能するが、専門家のコンセンサスが低い場合、しばしば劣化することを示した。 このベンチマークは、局所的な外科的ユーティリティのプロキシとして容積精度の限界を強調し、術前決定のための不確実性を考慮した確率モデルを動機付けている。
• 参考スコア（独自算出の注目度）: 1.2178250434362259
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Surgical resection remains the only potentially curative treatment for pancreatic ductal adenocarcinoma (PDAC), and eligibility depends on accurate assessment of vascular invasion (VI), i.e., tumor extension into adjacent critical vessels. Despite its importance for preoperative staging and surgical planning, computational VI assessment remains underexplored. Two major challenges are the lack of public datasets and the diagnostic ambiguity at the tumor-vessel interface, which leads to substantial inter-rater variability even among expert radiologists. To address these limitations, we introduce the CURVAS-PDACVI Dataset and Challenge, an open benchmark for uncertainty-aware AI in PDAC staging based on a densely annotated dataset with five independent expert annotations per scan. We also propose a multi-metric evaluation framework that extends beyond spatial overlap to include probabilistic calibration and VI assessment. Evaluation of six state-of-the-art methods shows that strong global volumetric overlap does not necessarily translate into reliable performance at clinically critical tumor-vessel interfaces. In particular, methods optimized for binary segmentation perform competitively on average overlap metrics, but often degrade in high-complexity cases with low expert consensus, either collapsing in volume or overextending at uncertain boundaries. In contrast, methods that model inter-rater disagreement produce better calibrated probabilistic maps and show greater robustness in these ambiguous cases. The benchmark highlights the limitations of volumetric accuracy as a proxy for localized surgical utility, motivating uncertainty-aware probabilistic models for preoperative decision-making.
• Abstract（参考訳）: 外科的切除は膵管腺癌(PDAC)の唯一の予防的治療であり、血管浸潤(VI)の正確な評価、すなわち近接する臨界血管への腫瘍拡張に依存している。 術前のステージングと手術計画の重要性にもかかわらず、計算VIの評価は未定のままである。 2つの大きな課題は、公共データセットの欠如と腫瘍-血管界面における診断のあいまいさであり、専門家の放射線学者の間でもかなりのばらつきをもたらす。 CURVAS-PDACVI Dataset and ChallengeはPDACステージングにおける不確実性を認識したAIのためのオープンベンチマークである。 また,空間重なりを超えて確率的キャリブレーションとVIアセスメントを含む多次元評価フレームワークを提案する。 6つの最先端手法の評価は, 強い大域的なボリュームオーバーラップが, 臨床的に重要な腫瘍-血管界面における信頼性に必ずしも寄与しないことを示している。 特に、バイナリセグメンテーションに最適化された手法は、平均的な重なり合いのメトリクスで競合的に動作するが、専門家のコンセンサスが低い場合、ボリュームが崩壊するか、不確実な境界でオーバーオーバーする場合、しばしば劣化する。 対照的に、層間不一致をモデル化する手法は、より良いキャリブレーションされた確率写像を生成し、これらのあいまいな場合においてより堅牢性を示す。 このベンチマークは、局所的な外科的ユーティリティのプロキシとして容積精度の限界を強調し、術前決定のための不確実性を考慮した確率モデルを動機付けている。

関連論文リスト

• DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation [25.65330582165925]
  本稿では,MRI脳腫瘍セグメント化のためのDGRNet(Disagreement-Guided Refinement Network)を提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量ビュー固有アダプタを介して、多様な予測を生成する。 DGRNetは,DiceとHD95の2.4%と11%の精度で,最先端のセグメンテーション精度を良好に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-22T06:56:38Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。