論文の概要: AGA3DNet: Anatomy-Guided Gaussian Priors with Multi-view xLSTM for 3D Brain MRI Subtype Classification

• arxiv url: http://arxiv.org/abs/2605.07142v1
• Date: Fri, 08 May 2026 02:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.746371
• Title: AGA3DNet: Anatomy-Guided Gaussian Priors with Multi-view xLSTM for 3D Brain MRI Subtype Classification
• Title（参考訳）: AGA3DNet:3次元脳MRIサブタイプ分類のためのマルチビューxLSTMを用いた解剖誘導ガウス前駆体
• Authors: Peiyu Duan, Xueqi Guo, Sepehr Farhand, Mehmet Berk Sahin, Xinyuan Zheng, James S. Duncan, Gerardo Hermosillo Valadez, Yoshihisa Shinagawa,
• Abstract要約: AGA3DNetは,放射線学報告から抽出した短い解剖学的フレーズを軟解剖学的先行チャネルとして組み込んだ報告基盤フレームワークである。 AGA3DNetは、パフォーマンス指標間の全体的なバランスを改善し、前回のチャネルを通じて臨床解釈可能なローカライゼーションをサポートする。
• 参考スコア（独自算出の注目度）: 6.425977576228159
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate 3D brain MRI subtype classification benefits from both localized anatomical cues and long-range contextual reasoning. We present AGA3DNet, a report-grounded framework that incorporates brief anatomical phrases extracted from radiology reports as a soft anatomical prior channel and fuses it with a lightweight 3D CNN and multi-view xLSTM aggregation. Specifically, extracted anatomical phrases are mapped to atlas-defined regions and converted into smooth spatial priors using a signed-distance transform followed by Gaussian weighting, providing interpretable, anatomy-grounded guidance without requiring dense voxel annotations. We evaluate AGA3DNet on a retrospective institutional brain MRI cohort for abnormal subtype discrimination and compare against reproducible 3D classification baselines. AGA3DNet achieves improved overall balance across performance metrics and supports clinically interpretable localization through the prior channel. We discuss limitations related to single-cohort evaluation and the lack of large-scale public brain MRI datasets paired with radiology reports under broadly usable terms.
• Abstract（参考訳）: 正確な3D脳MRIサブタイプ分類は、局所解剖学的手がかりと長距離文脈推論の両方の利点がある。 AGA3DNetは,放射線学報告から抽出した短い解剖学的フレーズを軟解剖学的先行チャネルとして組み込んで,軽量な3D CNNとマルチビューxLSTMアグリゲーションで融合する。 具体的には、抽出された解剖学的フレーズをアトラス定義領域にマッピングし、署名付き距離変換とガウス重み付けを用いてスムーズな空間的事前変換を行い、密度の高いボクセルアノテーションを必要とせず、解釈可能な解剖学的ガイダンスを提供する。 AGA3DNetは,脳MRIコホートを用いて異常なサブタイプ判別を行い,再現可能な3D分類基準と比較した。 AGA3DNetは、パフォーマンス指標間の全体的なバランスを改善し、前回のチャネルを通じて臨床解釈可能なローカライゼーションをサポートする。 本稿では, 単一コホート評価の限界と, 大規模脳MRIデータセットの欠如, 放射線学報告と組み合わせて, 広範囲に利用可能な条件下での問題点について論じる。

関連論文リスト

• MedFuncta: A Unified Framework for Learning Efficient Medical Neural Fields [17.156760213520055]
  各種医療信号の大規模NFトレーニングのための統合フレームワークであるMedFunctaを紹介する。 我々のアプローチはデータを統一表現、すなわち1D潜在ベクトルにエンコードし、共有されたメタ学習NFを変調する。 私たちはコード、モデルウェイト、およびマルチインスタンス医療NFのための500k以上の潜伏ベクトルを含む最初の大規模データセットMedNFをリリースしました。
  論文  参考訳（メタデータ） (2025-02-20T09:38:13Z)
• Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing [14.0825980706386]
  ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。 本研究では,3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。 提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームミキサを導入する。
  論文  参考訳（メタデータ） (2024-10-20T11:08:38Z)
• Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
  トポロジカルデータ解析(TDA)に基づくMRIスキャンのセグメンテーションのための新しいフレームワークを提案する。 パイプラインは3つのステップで進み、まずオブジェクト全体を自動しきい値によってセグメントに識別し、次に事前にトポロジが知られている固有のサブセットを検出し、最後にセグメンテーションの様々なコンポーネントを推論する。 脳MRIにおけるグリオ芽腫の分画、心筋MRIにおける心筋、シリンダー形成、胎児脳MRIにおける皮質プレート検出の3つの応用について検討した。
  論文  参考訳（メタデータ） (2024-01-02T11:43:49Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation [3.1657395760137406]
  本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。 実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2022-05-19T14:42:49Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。