Fugu-MT 論文翻訳(概要): CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification

論文の概要: CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification

arxiv url: http://arxiv.org/abs/2605.09002v1
Date: Sat, 09 May 2026 15:39:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.01259
Title: CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification
Title（参考訳）: CT-IDP-Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification (特集腹部疾患の診断と診断)
Abstract要約: 定量的な表現型化フレームワークであるCT-IDP (CT Image-Derived Phenotypes) を開発した。 CT-IDPはDuke-Abdomen (2000) とAMOS (1,107) の2つの独立したデータセットで外部評価された。 AUCと平均精度(AP)を用いたDINOv3ベースの視覚変換器ベースラインと比較した。
参考スコア（独自算出の注目度）: 1.0408458647051342
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this retrospective multi-institutional study, a quantitative phenotyping framework, CT-IDP (CT Image-Derived Phenotypes) was developed on the MERLIN abdominal CT benchmark (training, validation, and test sets- 15,175, 5,018, and 5,082 studies, respectively) and externally evaluated on two independent dataset: Duke-Abdomen (2,000) and AMOS (1,107). Multi-organ segmentations were generated with TotalSegmentator and used to derive over 900 organ and compartment-level descriptors spanning morphometry, attenuation, and contextual/burden findings. Sparse disease-specific logistic regression with elastic-net regularization was trained on MERLIN and externally validated under a frozen specification. Performance was compared against a DINOv3-based vision-transformer baseline using AUC and average precision (AP), supported by phenotype-stratified audits and coefficient-level inspection. Macro-AUC for CT-IDP versus the baseline was 0.897 versus 0.880 on MERLIN, 0.877 versus 0.857 on the Duke-Abdomen dataset, and 0.780 versus 0.756 on AMOS.
Abstract（参考訳）: 本研究は,CT-IDP (CT Image-Derived Phenotypes) とCT-IDP (CT Image-Derived Phenotypes) をMERLIN腹部CTベンチマーク(トレーニング,検証,テストセット,それぞれ15,175,5,018,5,082研究)で開発し,Duke-Abdomen (2000),AMOS (1,107。 TotalSegmentatorを用いて多臓器分画を作製し, 形態計測, 減衰, コンテキスト/バーデン所見にまたがる900以上の臓器とコンパートメントレベルの記述子を抽出した。弾性ネット正則化によるスパース病特異的ロジスティック回帰をMERLINでトレーニングし, 凍結条件下で外部から検証した。 AUCと平均精度(AP)を用いて,DINOv3ベースの視覚変換器ベースラインと比較した。 CT-IDP では 0.897 対 MERLIN では 0.877 対 0.857 であり、AMOS では 0.780 対 0.756 である。

関連論文リスト

A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文参考訳（メタデータ） (2026-08-17T08:11:25Z)
TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文参考訳（メタデータ） (2026-05-15T19:23:35Z)
Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
論文参考訳（メタデータ） (2026-01-12T14:35:29Z)
Digital Contrast CT Pulmonary Angiography Synthesis from Non-contrast CT for Pulmonary Vascular Disease [11.57034839564871]
CTPA(CTd Tomography lung angiography)は肺血管疾患の診断基準である。ヨウ素化コントラスト剤への依存は、特に高リスク患者において、腎毒性やアレルギー反応などのリスクを引き起こす。本研究では,非コントラストCT(NCCT)スキャンからカスケード合成器を用いてDigital ContrastA(DCCTPA)を生成する手法を提案する。
論文参考訳（メタデータ） (2025-10-24T04:24:49Z)
AI-Assisted Pleural Effusion Volume Estimation from Contrast-Enhanced CT Images [0.0]
Pleuralfusions (PE) は多くの異なる臨床疾患でよく見られる疾患である。 CTスキャンで音量を正確に測定することは難しい。コントラスト強調CTボリュームに基づく半教師付きディープラーニングフレームワークを開発した。
論文参考訳（メタデータ） (2025-10-04T16:06:10Z)
Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study [33.84976409983329]
食道接合腺癌 (EGJA) の早期発見は, 予後改善に重要であるが, 術者に依存している。本稿では,内視鏡画像を用いたEGJAのスクリーニングとステージング診断のための人工知能基盤モデルの開発を初めて試みる。
論文参考訳（メタデータ） (2025-09-22T12:03:40Z)
Segment-and-Classify: ROI-Guided Generalizable Contrast Phase Classification in CT Using XGBoost [7.689389068258514]
本研究は,別機関の3つの公開CTデータセットを利用した。位相予測モデルはWAW-TACEデータセットに基づいてトレーニングされ、VinDr-MultiphaseとC4KC-KiTSデータセット上で検証された。
論文参考訳（メタデータ） (2025-01-23T20:01:33Z)
Pulmonary Embolism Mortality Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data [31.830488752817804]
本研究の目的は,CTPA(CTPA),臨床データ,肺重症度指数(PESI)スコアを用いて深層学習モデルを構築し,PE死亡率を予測することである。
論文参考訳（メタデータ） (2024-06-03T13:10:13Z)
TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文参考訳（メタデータ） (2021-05-03T00:14:43Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。