論文の概要: How Sensitive Are Radiomic AI Models to Acquisition Parameters?

• arxiv url: http://arxiv.org/abs/2605.14667v1
• Date: Thu, 14 May 2026 10:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.776935
• Title: How Sensitive Are Radiomic AI Models to Acquisition Parameters?
• Title（参考訳）: 放射能AIモデルは、獲得パラメーターにどれくらい敏感か?
• Authors: D. Gil, I. Sanchez, C. Sanchez,
• Abstract要約: AI放射能システムの臨床ルーチンへの展開の主要な障壁は、異種マルチセント取得プロトコルによるパフォーマンス低下である。 本研究では,放射能AIモデルのスキャンパラメータ感度を定量化する性能指向フレームワークを提案する。 我々は,2つの独立したマルチセントレデータセットを用いたCTスキャンで肺がん診断に枠組みを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A main barrier for the deployment of AI radiomic systems in clinical routine is their drop in performance under heterogeneous multicentre acquisition protocols. This work presents a performance-oriented framework for quantifying scan parameter sensitivity of radiomic AI models, while identifying clinically significant parameter regions associated with improved cross-dataset robustness. We formulate a mixed-effects framework for quantifying the influence that clinically relevant acquisition parameters have on models performance, while accounting for subject-level random effects. We have applied our framework to lung cancer diagnosis in CT scans using two independent multicentre datasets (a public database and own-collected data) and several SoA architectures. To evaluate across-database reproducibility, CT parameters have been adjusted using the data collected and tested on the public set. The optimal configuration selected is the current of the X-ray tube >= 200 mA, spiral pitch <= 1.5, slice thickness <= 1.25 mm, which balances diagnostic quality with low radiation dose. These configuration push metrics from 0.79+-0.04 sensitivity, 0.47+-0.10 specificity in low quality scans to 0.90+-0.10 sensitivity, 0.79 +- 0.13 specificity in high quality ones.
• Abstract（参考訳）: AI放射能システムの臨床ルーチンへの展開の主要な障壁は、異種マルチセント取得プロトコルによるパフォーマンス低下である。 本研究は,X線AIモデルのスキャンパラメータ感度を定量化するための性能指向フレームワークを提案するとともに,クロスデータセットの堅牢性向上に関連する臨床的に重要なパラメータ領域を同定する。 対象レベルのランダムな影響を考慮しつつ,臨床的に関連する獲得パラメータがモデル性能に与える影響を定量化するための混合効果フレームワークを定式化する。 我々は,2つの独立したマルチセントレデータセット(公開データベースと自己収集データ)と複数のSoAアーキテクチャを用いて,CTスキャンの肺がん診断にフレームワークを適用した。 データベース間の再現性を評価するため、公開セットで収集・テストされたデータを用いてCTパラメータを調整した。 最適な構成は、X線管>=200mA、スパイラルピッチ<=1.5、スライス厚さ<=1.25mmの電流で、診断品質と低放射線量とのバランスをとる。 これらの構成は、0.79+-0.04の感度、0.47+-0.10の低品質スキャンの特異度から0.90+-0.10の感度、0.79+-0.13の高品質スキャンの特異度まで押し上げる。

関連論文リスト

• Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
  本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。 そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。 本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:57:05Z)
• Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment [42.97456036889799]
  古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。 近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測する。 本稿では,患者ごとにひとつのコンパクトな特徴セットを予測できる,患者固有の特徴セット選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T20:12:41Z)
• A Diffusion-Driven Fine-Grained Nodule Synthesis Framework for Enhanced Lung Nodule Detection from Chest Radiographs [2.45811518457038]
  胸部X線写真(CXR)における肺癌の早期発見は,患者の予後改善に不可欠である。 放射線学的特性の微妙な外観と変動性のため、結節検出は依然として困難である。 本稿では,低ランク適応 (LoRA) アダプタを用いた新しい拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T09:43:58Z)
• A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
  糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価 強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。 臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-14T09:32:44Z)
• AI-Enhanced High-Density NIRS Patch for Real-Time Brain Layer Oxygenation Monitoring in Neurological Emergencies [1.554464105856087]
  我々は、脳皮質からリアルタイムで層特異的な酸素化データを提供するために最適化されたAI駆動の高密度NIRSシステムを導入する。 提案システムは,高密度NIRS反射率データとMRIに基づく合成データセットに基づいてトレーニングされたニューラルネットワークを統合する。 シミュレーションでは、我々のAI支援NIRSは、実際の皮質酸素化と強い相関を示し、従来の方法よりも顕著に優れていた。
  論文  参考訳（メタデータ） (2025-11-06T13:45:01Z)
• A Dual-Use Framework for Clinical Gait Analysis: Attention-Based Sensor Optimization and Automated Dataset Auditing [0.0]
  本稿では,センサと自動データ監査器の両方として機能するマルチストリームアテンションに基づくディープラーニングフレームワークを提案する。 Voisard et al. (2025) によるマルチコホート歩行データセットの適用により、モデルの注意機構は、深刻なデータセットの衝突を定量的に検出した。
  論文  参考訳（メタデータ） (2025-11-03T20:29:03Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。