論文の概要: Uncovering Latent Pathological Signatures in Pulmonary CT via Cross-Window Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2605.12562v1
• Date: Tue, 12 May 2026 03:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.575908
• Title: Uncovering Latent Pathological Signatures in Pulmonary CT via Cross-Window Knowledge Distillation
• Title（参考訳）: 肺CTにおけるクロスウィンドウ・ナレッジ蒸留による潜在性病変の発見
• Authors: Bo Peng, Wujian Xu, Kun Wang, Ximing Liao, Na Wang, Daqian Shi, Tian Li, Jing Gao, Johan Thygesen, Yingqun Ji, Honghan Wu,
• Abstract要約: 学生エンコーダは,最も情報に富む窓で訓練された教師から,潜伏した臨床経験を学習するクロスウィンドウ知識蒸留フレームワークを提案する。 クロスウインドウ蒸留は、監督的アプローチには見えない病理症状を内包し、マルチウインドウ肺CT解析のための一般的な解決策を提供する。
• 参考スコア（独自算出の注目度）: 20.5639571288814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-window CT imaging captures complementary pathological information across anatomical structures of differing densities, yet existing deep learning methods fuse representations only at later stages, missing cross-density interactions. We propose a cross-window knowledge distillation framework in which student encoders learn latent clinical priors from a teacher trained on the most informative window. Evaluated retrospectively on three cohorts - COPD-CT-DF (n=719), RSNA PE (n=1,433), and an in-house CTEPD dataset (n=161) - distillation improved per-window AUC by 10.1-16.5 percentage points on COPD-CT-DF (0.75-0.81 to 0.90-0.94; all P<0.001), with ensemble AUC reaching 0.9960. Similar gains were observed on RSNA PE (0.80-0.83 to 0.90-0.92) and CTEPD (AUC 0.7481 vs. 0.6264). Cross-window distillation internalises pathological signatures invisible to supervised approaches, offering a generalisable solution for multi-window pulmonary CT analysis.
• Abstract（参考訳）: マルチウィンドウCT画像は、異なる密度の解剖学的構造にまたがる相補的な病理情報をキャプチャするが、既存のディープラーニング手法は、後段のみ表現を融合させ、相互密度の相互作用を欠いている。 学生エンコーダは,最も情報に富む窓で訓練された教師から,潜伏した臨床経験を学習するクロスウィンドウ知識蒸留フレームワークを提案する。 COPD-CT-DF (n=719), RSNA PE (n=1,433), および社内のCTEPDデータセット (n=161) - 蒸留によりCOPD-CT-DF (0.75-0.81 - 0.90-0.94; all P<0.001) は10.1-16.5ポイント向上した。 RSNA PE (0.80-0.83 - 0.90-0.92) と CTEPD (AUC 0.7481 vs. 0.6264) では同様の利得が認められた。 クロスウインドウ蒸留は、監督的アプローチには見えない病理症状を内包し、マルチウインドウ肺CT解析のための一般的な解決策を提供する。

関連論文リスト

• 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)
• Non-Contrast CT Esophageal Varices Grading through Clinical Prior-Enhanced Multi-Organ Analysis [21.72960759847733]
  食道静脈瘤 (EV) は門脈圧亢進症の重要な合併症であり, 約60%の肝硬変患者の30%の出血リスクに影響を及ぼす。 NCCTスキャンの包括的解析によりEV評価を向上させる新しいマルチモーダルフレームワークであるMOON++を提案する。
  論文  参考訳（メタデータ） (2025-12-22T14:17:35Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
  新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-31T22:09:14Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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。