論文の概要: AutoIQ: An Ensemble Framework for Automatic Assessment of Geometric Distortion in Prostate Diffusion-Weighted Imaging

• arxiv url: http://arxiv.org/abs/2606.00393v1
• Date: Fri, 29 May 2026 22:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.381057
• Title: AutoIQ: An Ensemble Framework for Automatic Assessment of Geometric Distortion in Prostate Diffusion-Weighted Imaging
• Title（参考訳）: AutoIQ: 前立腺拡散強調画像における幾何学的歪みの自動評価のためのアンサンブルフレームワーク
• Abstract要約: 幾何学的歪み重大度の自動および定量化のためのアンサンブル機械学習フレームワークであるAutoIQを提案する。 計140回の振り返りMRI検査を行い,33回のCT検査を行った。 AutoIQは、前立腺DWIの自動化された定量的品質評価を提供し、再取得を必要とするスキャンを特定するのに役立つ。
• 参考スコア（独自算出の注目度）: 39.60379134041974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric distortion in prostate diffusion-weighted imaging (DWI) can impair lesion localization and reduce the reliability of MRI-based clinical assessment. We propose AutoIQ, an ensemble machine learning framework for automatic quantification and classification of DWI geometric distortion severity. A total of 140 retrospective prostate biparametric MRI examinations were analyzed, including 33 scans with severe distortion requiring repeat acquisition and 107 scans with acceptable distortion based on expert radiologist assessment. AutoIQ combines two complementary distortion quantification strategies: a segmentation-based method measuring prostate boundary mismatch between T2-weighted imaging (T2WI) and DWI, and a registration-based method estimating deformation magnitude after DWI-to-T2WI alignment. The resulting distortion scores were used to train individual classifiers and a logistic-regression ensemble model. Both computational methods significantly differentiated severe from acceptable distortion cases (p < 0.001). On an independent test set, the ensemble model achieved an accuracy of 0.95, F1-score of 0.93, and AUC of 0.98, outperforming individual models. These results suggest that AutoIQ can provide automated, quantitative quality assessment for prostate DWI and may help identify scans that require repeat acquisition.
• Abstract（参考訳）: 前立腺拡散強調画像(DWI)における幾何学的歪みは病変の局在を損なう可能性があり,MRIによる臨床評価の信頼性を低下させる。 本稿では,DWI幾何学的歪み重大度の自動定量化と分類のためのアンサンブル機械学習フレームワークであるAutoIQを提案する。 前立腺前立腺MRI検査の総計140例を解析し, 難治性病変33例, 難治性病変107例を専門的放射線検査により検討した。 AutoIQは、T2重画像(T2WI)とDWIとの間の前立腺境界ミスマッチを測定するセグメンテーション法と、DWI-to-T2WIアライメント後の変形の大きさを推定する登録法という2つの相補的歪み量子化戦略を組み合わせた。 結果として得られた歪みスコアは、個々の分類器とロジスティック回帰アンサンブルモデルを訓練するために使用された。 どちらの計算手法も許容できる歪み(p < 0.001)と著しく異なる。 独立したテストセットでは、アンサンブルモデルは精度0.95、F1スコア0.93、AUC0.98を達成し、個々のモデルを上回った。 これらの結果は、AutoIQが前立腺DWIの自動的定量的品質評価を提供し、再取得を必要とするスキャンを特定するのに役立つことを示唆している。

関連論文リスト

• Bridging Single Distortion Artifacts and Multifactorial Clinical Quality: Few-shot Biparametric MRI Quality Assessment via Distortion-trained Prototypical Networks [37.46263264161563]
  画像品質自動評価(IQA)のための数発のプロトタイプネットワークを提案する。 我々のフレームワークは、T2重み付きDWI特徴を融合させるためにデュアルブランチ3D ResNetを使用し、真の形態と歪みを区別するための解剖学的コンテキストを提供する。 比較的客観的な歪みラベルのみに基づいてメタトレーニングされたモデルが、複雑で多因子的な臨床品質スコアの予測に効果的に適応できることを実証する。
  論文  参考訳（メタデータ） (2026-06-17T09:50:45Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• Modeling Expert AI Diagnostic Alignment via Immutable Inference Snapshots [1.0499611180329804]
  初期モデル推論と専門家補正の遷移は、構造化信号としてはほとんど分析されない。 本稿では,AI生成画像に基づくレポートを不変な推論状態として保存する診断アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T13:11:58Z)
• Self-Supervised Ultrasound Representation Learning for Renal Anomaly Prediction in Prenatal Imaging [0.19544534628180868]
  自動胎児腎異常分類のための自己教師型超音波基礎モデルの性能評価を行った。 モデルはクロスバリデーションと独立したテストセットを使用したDenseNet-169畳み込みベースラインと比較された。 AUCは16.28%、F1スコアは46.15%向上した。
  論文  参考訳（メタデータ） (2025-12-15T15:28:02Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• AI-driven software for automated quantification of skeletal metastases and treatment response evaluation using Whole-Body Diffusion-Weighted MRI (WB-DWI) in Advanced Prostate Cancer [0.27141618085306923]
  全Body Diffusion-Weighted MRI (WB-DWI) はTDV (Ttal Diffusion Volume) とgADC (Global Apparent Diffusion Coefficient) の2つの応答バイオマーカーを提供する 手指脱線病変からのTDVおよびgADCの術後変化の追跡は困難であり、読取者間の変動が増大する。 このプロセスを自動化するためのソフトウェアを開発した。核となる技術は、(i)骨を分離するための骨格確率マップを生成する弱教師付き残留U-Netモデル、(ii)WB-DWI強度正規化のための統計フレームワーク、(iii)出力を処理する浅い畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-05-13T22:57:49Z)
• RELICT: A Replica Detection Framework for Medical Image Generation [34.82692226532414]
  生成モデルにおける記憶化は、意図しない機密情報漏洩とリミットモデルユーティリティを引き起こす可能性がある。 合成医用画像データセットにおいて、複製、すなわち、ほぼ同一のトレーニングデータのコピーを識別するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-24T17:37:19Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。