論文の概要: Tumor-aware augmentation with task-guided attention analysis improves rectal cancer segmentation from magnetic resonance images

• arxiv url: http://arxiv.org/abs/2605.05522v1
• Date: Wed, 06 May 2026 23:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.450911
• Title: Tumor-aware augmentation with task-guided attention analysis improves rectal cancer segmentation from magnetic resonance images
• Title（参考訳）: タスク誘導型アテンション分析による腫瘍認識増強は磁気共鳴画像から直腸癌セグメンテーションを改善する
• Abstract要約: CT-MRI転送における2つの動作障害モードを示す。 ゼロパディングによる非効率なトークンの使用は、事前訓練された入力次元と非効率な特徴適応とを一致させる。 同一の直腸MRIデータセットの微調整により、SMITでは224/247 (90.7%)、Swin UNETRでは219/247 (88.7%)に検出速度が向上した。
• 参考スコア（独自算出の注目度）: 1.3958880590777554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretraining on large-scale datasets has been shown to improve transformer generalizability, even for out-of-domain (OOD) modalities and tasks. However, two common assumptions often fail under OOD transfer: that downstream datasets can be adapted to the fixed input geometry of pretrained models and that pretrained representations transfer effectively across imaging modalities. We show that these assumptions break down through two interacting failure modes in CT-to-MRI transfer: inefficient token usage caused by zero-padding to match pretrained input dimensions and ineffective feature adaptation. These failures led to accuracy degradation despite extensive fine-tuning. We investigated these failure modes using two CT-pretrained hierarchical shifted-window transformer backbones, SMIT and Swin UNETR, pretrained with different objectives and datasets. Mechanistic analysis introduced an attention dilution index (ADI), an entropy-based metric quantifying attention diverted toward uninformative padding tokens, and centered kernel alignment (CKA) to measure feature reuse in MRI tasks. ADI increased with zero-padding, while high feature reuse did not necessarily correspond to improved accuracy. To mitigate these issues, we introduced two interventions: a tumor-aware augmentation strategy to improve tumor appearance heterogeneity coverage and an anisotropic cropping strategy to restore token efficiency. Fine-tuning on identical rectal MRI datasets improved detection rates to 224/247 (90.7%) for SMIT and 219/247 (88.7%) for Swin UNETR, demonstrating improved robustness under CT-to-MRI transfer. This study is among the first to examine when pretrained transformers fail to transfer effectively across imaging modalities and how simple mitigation strategies, motivated by mechanistic analysis of datasets, can reduce transfer limitations while improving robustness and MRI detection.
• Abstract（参考訳）: 大規模なデータセットの事前トレーニングは、外部ドメイン(OOD)のモダリティやタスクであっても、トランスフォーマーの一般化性を改善することが示されている。 しかし、OOD転送では2つの一般的な仮定が失敗することが多く、下流データセットは事前訓練されたモデルの固定入力幾何に適応でき、事前訓練された表現は画像のモダリティを越えて効果的に転送される。 これらの仮定は、CT-MRI転送における2つの相互作用する障害モード、つまり、予め訓練された入力次元と非効率な特徴適応を一致させるために、ゼロパディングによって生じる非効率なトークンの使用によって分解されることを示す。 これらの故障により、広範囲の微調整にもかかわらず精度が低下した。 SMITとSwin UNETRの2つのCT前向きシフトウインドウ・トランスフォーマー・バックボーンを用いて,これらの故障モードについて検討した。 メカニスティック分析では、非形式的パディングトークンに分散した注意を定量化するためのエントロピーベースの指標であるアテンション希釈指数(ADI)と、MRIタスクにおける特徴の再利用を測定するための中心的なカーネルアライメント(CKA)を導入した。 ADIはゼロパディングで増大したが、高機能再利用は必ずしも精度の向上に対応しなかった。 これらの問題を緩和するために,腫瘍の外観不均一性を改善するための腫瘍認識増強戦略と,トークン効率を回復するための異方性収穫戦略の2つの介入を導入した。 SMITでは224/247 (90.7%)、Swin UNETRでは219/247 (88.7%)、CT-MRI転送では堅牢性が向上した。 この研究は、事前学習されたトランスフォーマーが画像のモダリティを越えて効果的に転送できないことや、データセットのメカニスティック分析によって動機付けられた単純な緩和戦略が、頑健さとMRI検出を改善しつつ、転送制限を減らし得るかを調べる最初の試みである。

関連論文リスト

• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation [14.430939194449229]
  深層学習に基づく医療画像セグメンテーションは、臨床診断を支援し、新しい治療戦略を開発するためにますます利用されている。 しかし、高品質な注釈付きデータの不足や画像プロトコル間の一般化が不十分なため、モデル性能は依然として制限されている。 この制限はMRIやCTでは特に顕著であり、モデルは通常1回の取得シーケンスでトレーニングされる。
  論文  参考訳（メタデータ） (2026-05-04T19:26:29Z)
• 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)
• Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition [27.825869252861335]
  MRIにおける完全なデータ取得は本質的に遅いため、臨床のスループットが制限され、患者の不快感が増す。 CSMRIは、アンダーサンプルのkspaceデータからイメージを再構成することで、取得を加速しようとしている。
  論文  参考訳（メタデータ） (2026-03-23T10:49:23Z)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• Clinical Metadata Guided Limited-Angle CT Image Reconstruction [8.987752589028348]
  リミテッド・アングル・コンピュート・トモグラフィ(英語版) (LACT) は、時間分解能の改善と心筋イメージングに対する放射線線量削減を提供するが、切り離された投射による重度のアーチファクトに悩まされる。 LACT再建の誤りに対処するため,構造化された臨床メタデータでガイドされる2段階の拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T20:14:15Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。