論文の概要: Reconstruction Interval Z-Phase Dependence of AI Detection Sensitivity in CT Lung Nodule Screening

• arxiv url: http://arxiv.org/abs/2605.00971v1
• Date: Fri, 01 May 2026 16:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.523036
• Title: Reconstruction Interval Z-Phase Dependence of AI Detection Sensitivity in CT Lung Nodule Screening
• Title（参考訳）: CT肺結節スクリーニングにおけるAI検出感度の経時的Z-Phase依存性
• Authors: Dan Soliman,
• Abstract要約: 再建サイクル内の結節位置に対する検出確率の依存性は,ディープラーニングに基づく検出システムでは特徴付けられていない。 z相ビン, 再建間隔 (1mm, 3mm, 5mm) , 再建間隔と直径 (d/D) の比で感度を定式化した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Sensitivity of AI-assisted lung nodule detection systems is known to vary with CT acquisition parameters including radiation dose, reconstruction kernel, and slice thickness. However, the dependence of detection probability on nodule position within the reconstruction cycle -- the z-phase -- has not, to the author's knowledge, been characterized for deep learning-based detection systems. Methods: A retrospective analysis was performed using the LIDC-IDRI dataset. Detection results from a previously validated 154-case perturbation study were re-analyzed. For each consensus nodule (>=4-reader agreement), z-phase was defined as the fractional position of the nodule center within the reconstruction cycle, folded to [0, 0.5]. Detection sensitivity was stratified by z-phase bin, reconstruction interval (1mm, 3mm, 5mm), and by the ratio of reconstruction interval to nodule diameter (d/D). Results: At 5mm reconstruction interval, sensitivity was 71.6% vs 84.8% at 1mm baseline. Within the 5mm condition, sensitivity varied by 17.6 percentage points across z-phase bins. Stratified by d/D ratio, sensitivity was 92.4% for d/D < 0.5, 78.0% for 0.5 <= d/D < 1.0, and 61.4% for d/D >= 1.0, with a systematic z-phase effect present only in the d/D >= 1.0 stratum. Conclusions: AI detection sensitivity depends on the ratio of reconstruction interval to nodule diameter. When this ratio approaches or exceeds 1.0 -- as occurs for 3-6mm nodules at 5mm reconstruction -- z-phase becomes the dominant source of per-study detection variance. This stochastic effect is invisible to protocol-level quality metrics and not reflected in AI confidence scores.
• Abstract（参考訳）: 背景: AI支援肺結節検出システムの感度は, 放射線線量, 再構成カーネル, スライス厚などのCT取得パラメータによって異なることが知られている。 しかし, 再現サイクル内の結節位置に対する検出確率(z相)の依存性は, 著者の知識によらず, 深層学習に基づく検出システムに特化していない。 方法:LIDC-IDRIデータセットを用いて振り返り分析を行った。 従来検証されていた154症例の摂動解析の結果を再度分析した。 各コンセンサスノード(>=4-reader agreement)について、z相は、[0, 0.5]に折り畳まれる再構成サイクル内の結節中心の分位として定義される。 検出感度はz相ビン, 再建間隔(1mm, 3mm, 5mm), 再建間隔と結節径(d/D)の比で明らかにした。 結果: 5mm再建間隔では, 感度は71.6%, 1mmベースラインでは84.8%であった。 5mm条件では、感度はz相ビン間で17.6ポイント変化した。 感度はd/D < 0.5で92.4%,0.5<=d/D <1.0で78.0%,d/D >=1.0で61.4%,d/D >=1.0では系統的なz相効果が認められた。 結論:AI検出感度は再建間隔と結節径の比に依存する。 この比が1.0に近づいたり超えたりすると(5mm再構成時の3-6mmノジュールの場合のように)、z相は研究ごとの検出分散の主要な原因となる。 この確率効果は、プロトコルレベルの品質指標には見えず、AIの信頼性スコアには反映されない。

関連論文リスト

• Beyond Benchmarks: A Framework for Post Deployment Validation of CT Lung Nodule Detection AI [0.0]
  ベンチマーク条件下で報告されるパフォーマンスは、現実世界の振る舞いを反映しない可能性がある。 LIDC-IDRIデータセットから21例について検討した。
  論文  参考訳（メタデータ） (2026-03-25T06:35:54Z)
• Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography [46.596419554048225]
  膵管腺癌 (PDAC) は遅発性, 手術不能な症例が多い。 ePAI(早期膵癌検出と人工知能)という自動システムを開発した。 ePAIは159例中75例においてPDACの検出と局所化に成功し, 平均リード時間は347日であった。
  論文  参考訳（メタデータ） (2026-01-29T18:55:23Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability [4.618498494409548]
  肩関節不安定症の手術計画には, 骨量測定の信頼性が不可欠である。 三次元CTスキャンによるグリノイド骨量計測のための完全自動深層学習パイプラインの開発と評価を行った。
  論文  参考訳（メタデータ） (2025-11-18T03:12:22Z)
• AI-driven software for automated quantification of skeletal metastases and treatment response evaluation using Whole-Body Diffusion-Weighted MRI (WB-DWI) in Advanced Prostate Cancer [0.27141618085306923]
  全Body Diffusion-Weighted MRI (WB-DWI) はTDV (Ttal Diffusion Volume) とgADC (Global Apparent Diffusion Coefficient) の2つの応答バイオマーカーを提供する 手指脱線病変からのTDVおよびgADCの術後変化の追跡は困難であり、読取者間の変動が増大する。 このプロセスを自動化するためのソフトウェアを開発した。核となる技術は、(i)骨を分離するための骨格確率マップを生成する弱教師付き残留U-Netモデル、(ii)WB-DWI強度正規化のための統計フレームワーク、(iii)出力を処理する浅い畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-05-13T22:57:49Z)
• The object detection method aids in image reconstruction evaluation and clinical interpretation of meniscal abnormalities [0.0]
  本研究では,ディープラーニング(DL)画像再構成の品質と異常検出性能の関係について検討した。 再建画像における半月面異常の解釈を強化するための人工知能アシスタントの有効性を評価する。
  論文  参考訳（メタデータ） (2024-07-16T21:25:28Z)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  心臓血管疾患(CVD)が世界的に死因となっている。 光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。 我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• Simultaneous column-based deep learning progression analysis of atrophy associated with AMD in longitudinal OCT studies [3.277151368405969]
  AMDに合併した網膜萎縮症の進行には経時的OCT研究の正確な定量化が必要である。 乾式AMDに伴う時間関連萎縮の同時検出と定量化のための完全自動エンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:38:07Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。