Fugu-MT 論文翻訳(概要): Cross-Source Supervision for Bone Infection Segmentation in Dual-Modality PET-CT

論文の概要: Cross-Source Supervision for Bone Infection Segmentation in Dual-Modality PET-CT

arxiv url: http://arxiv.org/abs/2605.16373v1
Date: Sun, 10 May 2026 17:22:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 23:51:08.30118
Title: Cross-Source Supervision for Bone Infection Segmentation in Dual-Modality PET-CT
Title（参考訳）: Dual-Modality PET-CTにおける骨感染分離のクロスソース・スーパービジョン
Authors: Zonglin Yang, Xiaolei Diao, Jishizhan Chen, Xiaozhuang Man, Wei Kong, Gen Wen, Pengfei Cheng, Daqian Shi,
Abstract要約: PETメタボリック信号とCT骨窓解剖を統合したバイモーダル・エンド・ツー・エンドセグメンテーション・フレームワークを開発した。本研究では,従来の2次元評価手法を捨て,厳格な患者レベル3次元容積評価とクロスバリデーションを実装した。実験の結果, 患者レベルでの性能変化を客観的に報告し, 多モードPET-CT融合の有効性を実証した。
参考スコア（独自算出の注目度）: 9.800199332507164
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Early and accurate diagnosis and lesion localization of bone infections are crucial for clinical treatment. PET-CT integrates anatomical information from CT with metabolic information from PET, making it an important imaging modality for diagnosing bone infections. However, accurate lesion segmentation remains challenging due to indistinct lesion boundaries and inconsistencies in annotations generated by different experts or automated systems. In this work, we investigate multimodal segmentation of bone infections under annotation discrepancy. We develop a bimodal end-to-end segmentation framework that integrates PET metabolic signals and CT bone-window anatomy through an early-fusion multimodal representation.To mitigate performance inflation caused by inter-slice correlation in small datasets, this study discards traditional two-dimensional evaluation methods and implements a rigorous patient-level 3D volumetric evaluation and cross-validation. Furthermore, instead of forcing a singular consensus, we propose a decoupled dual-source learning framework where parallel models are trained on independent expert annotations driven by high-sensitivity and high-specificity clinical intents. Experimental results objectively report performance variations at the patient level (Mean + SD and Mean - SD), demonstrating the effectiveness of multimodal PET-CT fusion. The cross-evaluation matrix quantitatively reveals how models successfully internalize distinct expert diagnostic philosophies, providing a robust, diversity-preserving paradigm for clinical AI deployment in bone infection segmentation.
Abstract（参考訳）: 骨感染の早期かつ正確な診断と病変の局在は臨床治療に不可欠である。 PET-CTはCTの解剖学的情報とPETの代謝情報を統合しており、骨感染症の診断に重要な画像モダリティとなっている。しかし、異なる専門家や自動化システムによって生成されたアノテーションの不明瞭な病変境界と矛盾のため、正確な病変のセグメンテーションは依然として困難である。本研究では,アノテーションの相違による骨感染のマルチモーダルセグメンテーションについて検討する。 PETメタボリック信号とCT骨窓解剖を早期融合型マルチモーダル表現により統合するバイモーダルエンド・ツー・エンドセグメンテーション・フレームワークを開発し,スライス間相関によるパフォーマンスインフレーションを軽減するため,従来の2次元評価手法を捨て,厳密な患者レベル3Dボリューム評価とクロスバリデーションを実装した。さらに、特異なコンセンサスを強制するのではなく、高感度および高特異性の臨床意図によって駆動される独立した専門家アノテーションに基づいて並列モデルを訓練する、分離されたデュアルソース学習フレームワークを提案する。実験の結果, 患者レベルでの性能変化(平均+SD, 平均+SD)を客観的に報告し, 多モードPET-CT融合の有効性を示した。クロス評価行列は、モデルがどのようにして専門的な診断哲学を内包し、骨感染セグメンテーションにおける臨床AI展開のための堅牢で多様性を保ったパラダイムを提供するかを定量的に明らかにする。

関連論文リスト

Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-21T07:47:37Z)
A Generalist Foundation Model for Total-body PET/CT Enables Diagnostic Reporting and System-wide Metabolic Profiling [17.709593152803695]
SDF-HOLOは全身PET/CTのマルチモーダル基礎モデルであり,1万人以上の患者を対象に事前トレーニングを行った。二重ストリームエンコーダでCTとPETの表現学習を分離し、相互モードの相互作用モジュールを介してそれらを結合する。このモデルは、システム全体の代謝プロファイルを可能にし、組織間の代謝ネットワーク相互作用の腫瘍関連指紋を明らかにする。
論文参考訳（メタデータ） (2026-01-19T08:30:09Z)
FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文参考訳（メタデータ） (2025-08-24T11:03:56Z)
LymphAtlas- A Unified Multimodal Lymphoma Imaging Repository Delivering AI-Enhanced Diagnostic Insight [3.746123328463508]
本研究はPET代謝情報をCT解剖学的構造と統合し,PET/CT検査に基づく悪性リンパ腫の3次元マルチモーダルセグメンテーションデータセットを構築した。 2011年3月から2024年5月までの間に得られた483件の検査データセットを, 220件の患者を対象に遡及的に収集した。
論文参考訳（メタデータ） (2025-04-29T06:10:12Z)
Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT [4.376648893167674]
AutoPET III ChallengeはPET/CT画像における腫瘍病変の自動切除の進歩に焦点を当てている。我々は,PETスキャンの最大強度投影に基づいて,与えられたPET/CTのトレーサを識別する分類器を開発した。我々の最終提出書は、公開可能なFDGおよびPSMAデータセットに対して76.90%と61.33%のクロスバリデーションDiceスコアを達成している。
論文参考訳（メタデータ） (2024-09-18T17:16:57Z)
Multi-modal Evidential Fusion Network for Trustworthy PET/CT Tumor Segmentation [5.839660501978193]
臨床環境では,PET画像とCT画像の画質は著しく変化し,ネットワークによって抽出されるモダリティ情報の不確実性が生じる。我々は,CFL(Cross-Modal Feature Learning)とMTF(Multi-Modal Trustworthy Fusion)の2つの基本段階からなる,新しいMulti-Modal Evidential Fusion Network(MEFN)を提案する。本モデルでは, 自動セグメンテーション結果の受け入れや拒絶の判断において, セグメンテーション結果の確実な不確実性を, 放射線技師に提供することができる。
論文参考訳（メタデータ） (2024-06-26T13:14:24Z)
A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文参考訳（メタデータ） (2023-06-01T16:23:47Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。