論文の概要: JANUS: Anatomy-Conditioned Gating for Robust CT Triage Under Distribution Shift
- arxiv url: http://arxiv.org/abs/2605.13813v1
- Date: Wed, 13 May 2026 17:41:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.210988
- Title: JANUS: Anatomy-Conditioned Gating for Robust CT Triage Under Distribution Shift
- Title（参考訳）: JANUS: 分布シフト下でのロバストCTトリアージのための解剖学的考察
- Authors: Lavsen Dahal, Yubraj Bhandari, Geoffrey Rubin, Joseph Y. Lo,
- Abstract要約: JANUSは生理学誘導型デュアルストリームアーキテクチャで、解剖学的ガイドゲーティングによるマクロラジオマ前駆体への視覚的埋め込みを条件付ける。
Janus はマクロ-AUROC 0.88 と AUPRC 0.74 を達成し、全ての再生ベースラインを上回ります。
我々は,生理的ベトレート(PVR)を用いて予測抑制を定量化し,ドメインシフトの少ないJANUSが真正よりも信頼性の高い偽陽性を著しく減少させることを示した。
- 参考スコア（独自算出の注目度）: 0.7901846308308808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated CT triage requires models that are simultaneously accurate across diverse pathologies and reliable under institutional shift. While Vision Transformers provide strong visual representations, many clinically significant findings are defined by quantitative imaging biomarkers rather than appearance alone. We introduce JANUS, a physiology-guided dual-stream architecture that conditions visual embeddings on macro-radiomic priors via Anatomically Guided Gating. On the MERLIN test set (N=5082), JANUS attains macro-AUROC 0.88 and AUPRC 0.74, outperforming all reproduced baselines. It generalizes to an external dataset N=2000; AUROC 0.87), with the largest gains on findings defined by size and attenuation as well as improved calibration on both datasets. We further quantify prediction suppression using the Physiological Veto Rate (PVR), showing that under domain shift JANUS reduces high-confidence false positives substantially more often than true positives. Together, these results are consistent with physically grounded conditioning that improves both discrimination and reliability in CT triage. Code is made publicly available at github repository https://github.com/lavsendahal/janus and model weights are at https://huggingface.co/lavsendahal/janus.
- Abstract（参考訳）: 自動CTトリアージは、様々な病態にまたがって同時に正確で、制度的なシフトの下で信頼性の高いモデルを必要とする。
ヴィジュアルトランスフォーマーは強力な視覚表現を提供するが、臨床上重要な発見の多くは、外観のみではなく、定量的なバイオマーカーによって定義される。
JANUSは生理学誘導型デュアルストリームアーキテクチャで、解剖学的ガイドゲーティングによるマクロラジオマ前駆体への視覚的埋め込みを条件付ける。
MERLINテストセット(N=5082)では、JANUSはマクロAUROC 0.88とAUPRC 0.74を獲得し、すべての再生ベースラインを上回っている。
外部データセット N=2000; AUROC 0.87 に一般化され、サイズと減衰によって定義された結果に対する最大の利得と、両方のデータセットの校正の改善がある。
さらに、生理的ベトレート(PVR)を用いて予測抑制を定量化し、ドメインシフトの下では、JANUSは真正よりもかなり信頼度の高い偽陽性を減少させることを示した。
これらの結果は,CTトリアージの識別と信頼性を向上させる物理的条件付けと一致している。
コードはgithubリポジトリ https://github.com/lavsendahal/janusで公開されており、モデルウェイトはhttps://huggingface.co/lavsendahal/janusで公開されている。
関連論文リスト
- Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。
腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
論文 参考訳（メタデータ） (2026-04-28T14:16:20Z) - Beyond the Embedding Bottleneck: Adaptive Retrieval-Augmented 3D CT Report Generation [10.885951167009694]
3D CTは鑑別病理信号をエンコードするが, 重度濃度は高い。
この視覚的ボトルネックを補う適応的な拡張フレームワークである textbfAdaRAG-CT を提案する。
AdaRAG-CTは最先端の臨床効果を達成し、臨床F1を0.420(CT-Agent)から0.480(+6ポイント)に改善する
論文 参考訳（メタデータ） (2026-03-16T18:56:14Z) - A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-13T18:54:20Z) - Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。
この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文 参考訳（メタデータ） (2025-11-06T23:20:37Z) - EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT)
CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-09-26T05:51:59Z) - A Foundation Model Framework for Multi-View MRI Classification of Extramural Vascular Invasion and Mesorectal Fascia Invasion in Rectal Cancer [3.9216006287929086]
直腸癌では, 血管外浸潤 (EVI) と中腸間膜間膜浸潤 (MFI) が重要視される。
基礎モデルの特徴,調和,多視点融合は直腸MRIの診断性能を著しく向上させる。
論文 参考訳（メタデータ） (2025-05-23T16:04:27Z) - State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features [0.19124895078287507]
眼窩周囲距離は、眼球形成および頭蓋顔面の様々な病態を診断し、監視するための重要なマーカーである。
我々は、健康眼の領域固有のデータセットに基づいて訓練されたセグメンテーションパイプラインを開発した。
我々のセグメンテーションモデルは、すべてのデータセットで最先端の精度を達成し、インターグラダー変動率内のエラー率を得た。
論文 参考訳（メタデータ） (2024-09-27T14:14:16Z) - Classification of Endoscopy and Video Capsule Images using CNN-Transformer Model [1.0994755279455526]
本研究では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)の利点を組み合わせて分類性能を向上させるハイブリッドモデルを提案する。
GastroVisionデータセットでは,精度,リコール,F1スコア,精度,マシューズ相関係数(MCC)が0.8320,0.8386,0.8324,0.8386,0.8191であった。
論文 参考訳（メタデータ） (2024-08-20T11:05:32Z) - Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。
生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。
本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
論文 参考訳（メタデータ） (2023-12-07T11:03:42Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。