論文の概要: M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification

• arxiv url: http://arxiv.org/abs/2605.12570v1
• Date: Tue, 12 May 2026 10:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.585783
• Title: M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification
• Title（参考訳）: M3Net:肺結節分類のためのマクロ-メソ-ミクロ間臨床誘発階層型3次元ネットワーク
• Authors: Jinyue Li, Yuzhou Yu, Jingjing Yang, Meng Fu, Yani Zhang, Shuyao He, Dianlong Ge, Xin Ning, Yannan Chu, Qiankun Li,
• Abstract要約: M3Netは、放射線医の階層的診断ワークフローにインスパイアされた、肺結節分類のための新しい3Dネットワークである。 本フレームワークは,粒度の細かい結節構造から局所的意味論,大域的空間関係に至るまで,段階的なマルチスケール入力を構築する。 精度は86.96%,84.24%であった。
• 参考スコア（独自算出の注目度）: 10.407290043473687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate classification of benign and malignant pulmonary nodules in CT scans is critical for early lung cancer screening, yet remains challenging due to the multi-scale and heterogeneous nature of pulmonary nodules. While deep learning offers potential for auxiliary diagnosis, most existing models act as "black boxes", lacking the transparency and explainability required for trustworthy clinical integration. To address this issue, we propose M3Net, a novel 3D network for pulmonary nodule classification inspired by the hierarchical diagnostic workflow of radiologists, which integrates multi-scale contextual information from fine-grained structures to global anatomical relationships. Our framework constructs a progressive multi-scale input, from fine-grained nodule structures to local semantics and global spatial relationships. M3Net employs scale-specific encoders and ensures cross-scale semantic consistency through latent space projection and mutual information maximization. Extensive experiments on the public LIDC-IDRI dataset and a self-collected clinical dataset (USTC-FHLN) demonstrate that our method achieves state-of-the-art performance, with accuracies of 86.96% and 84.24% respectively, outperforming the best baseline by 3.26% and 2.17%. The results validate that M3Net provides a more robust and clinically relevant solution for pulmonary nodule classification. The code is available at https://github.com/jylEcho/M3-Net.
• Abstract（参考訳）: CT検査における良性および悪性肺結節の正確な分類は早期肺がん検診において重要であるが,肺結節の多段階的および異種性のため,依然として困難である。 ディープラーニングは補助診断の可能性を秘めているが、既存のモデルのほとんどは「ブラックボックス」として機能し、信頼できる臨床統合に必要な透明性と説明性に欠ける。 この問題に対処するため,我々は,細粒度構造からのマルチスケールコンテキスト情報とグローバル解剖学的関係を融合した,肺結節分類のための新しい3次元ネットワークであるM3Netを提案する。 本フレームワークは,粒度の細かい結節構造から局所的意味論,大域的空間関係に至るまで,段階的なマルチスケール入力を構築する。 M3Netは、スケール固有のエンコーダを採用し、潜在空間投影と相互情報の最大化を通じて、クロススケールなセマンティック一貫性を保証する。 LIDC-IDRIデータセットと自己収集型臨床データセット(USTC-FHLN)の大規模実験により, 精度86.96%, 84.24%, 平均基準値3.26%と2.17%を上回った。 その結果,M3Netは肺結節の分類において,より堅牢で臨床的に関連性があることがわかった。 コードはhttps://github.com/jylEcho/M3-Netで公開されている。

関連論文リスト

• DB-MSMUNet:Dual Branch Multi-scale Mamba UNet for Pancreatic CT Scans Segmentation [10.212866516862013]
  本稿では, 堅牢な膵管分割のために設計された新しいエンコーダデコーダアーキテクチャであるDB-MSMUNetを提案する。 膵臓データセット,NIHデータセット,臨床膵腫瘍データセットの3つのデータセットについて広範な実験を行った。 DB-MSMUNetは、89.47%、87.59%、89.02%のDice類似係数を達成し、既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2026-01-08T07:41:37Z)
• Revolutionizing Glioma Segmentation & Grading Using 3D MRI - Guided Hybrid Deep Learning Models [0.0]
  本研究は,U-Netに基づくセグメンテーションとDenseNet-VGG分類ネットワークを統合したハイブリッドディープラーニングモデルを開発する。 高次元MRIデータは、前処理によってモデルでうまく利用することができる。 その結果,グリオーマのタイムリーかつ信頼性の高い診断およびグレーディングを促進する上で,この枠組みの可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-26T18:51:46Z)
• Multimodal Conditional MeshGAN for Personalized Aneurysm Growth Prediction [11.248858642567773]
  MCMeshGANは3次元大動脈瘤進展予測のための条件付きメッシュ・メシュ生成逆数ネットワークである。 専用条件分岐は、臨床属性(年齢、性別)と目標時間間隔を符号化し、解剖学的に妥当で、時間的に制御された予測を生成する。 MCMeshGANは、幾何学的精度と臨床的に重要な直径推定の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-27T13:25:52Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [12.442169188451164]
  マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
  論文  参考訳（メタデータ） (2023-04-04T07:05:15Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。