論文の概要: Virtual Scanning for NSCLC Histology: Investigating the Discriminatory Power of Synthetic PET

• arxiv url: http://arxiv.org/abs/2605.02746v1
• Date: Mon, 04 May 2026 15:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.388931
• Title: Virtual Scanning for NSCLC Histology: Investigating the Discriminatory Power of Synthetic PET
• Title（参考訳）: NSCLC組織学における仮想走査 : 合成PETの識別力の検討
• Authors: Fatih Aksu, Laura Ciuffetti, Francesco Di Feola, Filippo Ruffini, Giulia Romoli, Fabrizia Gelardi, Arturo Chiti, Valerio Guarrasi, Paolo Soda,
• Abstract要約: 非小細胞肺癌(NSCLC)における腺癌(ADC)と扁平上皮癌(SCC)の正確な組織分化はパーソナライズされた治療に重要である 18$F]FDG PET/CTは肺がんの臨床評価の標準ツールであるが、高コストと放射線曝露によってその有用性は制限されることが多い。 本稿では,FDG-PET/CT Lesionsデータセットで事前訓練した3D Pix2Pix Generative Adversarial Network (GAN) を用いて,解剖学的CTスキャンから擬似PETボリュームを合成するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.014801947349493
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate histological differentiation between adenocarcinoma (ADC) and squamous cell carcinoma (SCC) is critical for personalized treatment in non-small cell lung cancer (NSCLC). While [$^{18}$F]FDG PET/CT is a standard tool for the clinical evaluation of lung cancer, its utility is often limited by high costs and radiation exposure. In this paper, we investigate the feasibility of "virtual scanning" as a feature-enhancement strategy by evaluating whether synthetic PET data can provide complementary feature representations to supplement anatomical CT scans in histological subtype classification. We propose a framework that leverages a 3D Pix2Pix Generative Adversarial Network (GAN), pretrained on the FDG-PET/CT Lesions dataset, to synthesize pseudo-PET volumes from anatomical CT scans. These synthetic volumes are integrated with structural CT data within the MINT framework, a multi-stage intermediate fusion architecture. Our experiments, conducted on a multi-center dataset of 714 subjects, demonstrate that the inclusion of synthetic metabolic features significantly improves classification performance over a CT-only baseline. The multimodal approach achieved a statistically significant increase in the Area Under the Curve (AUC) from 0.489 to 0.591 and improved the Geometric Mean (GMean) from 0.305 to 0.524. These results suggest that synthetic PET scans provide discriminatory metabolic cues that enable deep learning models to exploit complementary cross-modal information, offering a potential feature-enhancement strategy for clinical scenarios where physical PET scans are unavailable.
• Abstract（参考訳）: 非小細胞肺癌(NSCLC)では,腺癌(ADC)と扁平上皮癌(SCC)の正確な組織学的分化が重要である。 肺がんの臨床評価の標準ツールとして[$^{18}$F]FDG PET/CTが用いられるが, 高い費用と放射線曝露によってその有用性は制限されることが多い。 本稿では, 組織学的分類における解剖学的CTスキャンの補完として, 合成PETデータが相補的特徴表現を提供できるかどうかを評価することで, 特徴強調戦略としての「仮想スキャン」の実現可能性について検討する。 本稿では,FDG-PET/CT Lesionsデータセットで事前訓練した3D Pix2Pix Generative Adversarial Network (GAN) を用いて,解剖学的CTスキャンから擬似PETボリュームを合成するフレームワークを提案する。 これらの合成ボリュームは、マルチステージ中間核融合アーキテクチャであるMINTフレームワーク内の構造CTデータと統合される。 714名の被験者の多施設で行った実験により, 合成メタボリックな特徴を取り入れることで, CTのみのベースライン上での分類性能が著しく向上することが実証された。 マルチモーダルアプローチは、AUC(Area Under the Curve)を0.489から0.591に、幾何平均(Geometric Mean)を0.305から0.524に改善した。 これらの結果から, 合成PETスキャンは, 深層学習モデルによる相補的な相互モーダル情報の利用を可能にする識別メタボリック手がかりを提供し, 物理的PETスキャンが利用できない臨床シナリオにおいて, 潜在的な特徴強調戦略を提供する可能性が示唆された。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• MCR-VQGAN: A Scalable and Cost-Effective Tau PET Synthesis Approach for Alzheimer's Disease Imaging [4.705825869364371]
  構造的T1強調MRI画像から高忠実度タウPET像を合成するためのMCR-VQGANを提案する。 アルツハイマー病神経画像イニシアチブ(ADNI)のT1強調MRIとtau PETスキャンを併用し,MCR-VQGANをcGAN,WGAN-GP,CycleGAN,VQGANと比較した。 以上の結果から,MCR-VQGANは従来のタウPET画像に対して信頼性が高く,スケーラブルなサロゲートを提供できることが示された。
  論文  参考訳（メタデータ） (2025-12-17T20:22:15Z)
• Vision-Language Models for Automated 3D PET/CT Report Generation [13.781844347232079]
  自己PET/CTレポート生成は, 臨床負荷軽減にますます重要である。 PETRG-3Dは、PETとCTのボリュームをエンコードし、スタイル適応プロンプトを組み込んだエンドツーエンドの3Dデュアルブランチフレームワークである。 PETRG-Score(PETRG-Score)は、悪性リンパ腫に特異的な評価プロトコルである。
  論文  参考訳（メタデータ） (2025-11-25T10:07:57Z)
• Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
  頭頸部扁平上皮癌(HN SCC)における転移の意義 本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-08-28T06:39:38Z)
• Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
  本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。 私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。 18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
  論文  参考訳（メタデータ） (2025-06-04T10:24:14Z)
• Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
  深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。 sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
  論文  参考訳（メタデータ） (2025-01-22T13:54:07Z)
• Multi-stage intermediate fusion for multimodal learning to classify non-small cell lung cancer subtypes from CT and PET [0.43498389175652047]
  本研究では,CTおよびPET画像からNSCLCサブタイプを分類するための多段階中間核融合法を提案する。 本手法は特徴抽出の異なる段階における2つのモダリティを統合する。 提案手法は, それぞれ0.724と0.681の精度で, 鍵となる指標の代替案を全て上回り, 精度は0.724と0.681であることを示した。
  論文  参考訳（メタデータ） (2025-01-21T12:10:00Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。