論文の概要: Multi-Granularity 3D Kidney Lesion Characterization from CT Volumes
- arxiv url: http://arxiv.org/abs/2606.04365v1
- Date: Wed, 03 Jun 2026 02:28:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.481955
- Title: Multi-Granularity 3D Kidney Lesion Characterization from CT Volumes
- Title（参考訳）: CTボリュームによるマルチグラニュラリティ3次元キドニー病変のキャラクタリゼーション
- Authors: Renjie Liang, Zhengkang Fan, Jinqian Pan, Chenkun Sun, Jiang Bian, Russell Terry, Jie Xu,
- Abstract要約: 本研究は, 腎CTの特徴を病期ごとのセット・プレディション・タスクとして再検討する。
当科で788名の患者から2,619個のCTボリュームを採取した。
サイズ距離ハンガリーマッチングを用いたDETRスタイルアーキテクチャである textbfLesionDETR を提案する。
- 参考スコア（独自算出の注目度）: 11.709061205652871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiology reports describe kidney lesions by type, size, enhancement, and attenuation, yet existing 3D methods predict only at the patient or organ level. We reformulate kidney CT characterization as a per-lesion set-prediction task: one model emits a variable number of lesions per kidney, each with four clinical attributes. We curated 2,619 CT volumes from 788 patients at one academic medical center, with multi-granularity side- and per-lesion labels, and used KiTS23 (489 cases) for zero-shot external validation. We propose \textbf{LesionDETR}, a DETR-style architecture with size-distance Hungarian matching and a hierarchical loss that aggregates per-slot outputs to side-level objectives. Across four input representations and six encoder initializations, two design choices dominate: a segmentation mask as an input channel, and same-domain abdominal pretraining (SuPreM); generic large-corpus pretraining is no better than random initialization. LesionDETR reaches bilateral side-level abnormality AUC $0.799 \pm 0.009$ on UF-Health and $0.817 \pm 0.072$ on KiTS23. A count-conditioned variant reaches per-lesion mAP $0.190 \pm 0.083$ on cystic lesions; rare solid-lesion AP stays at the noise floor, pointing to targeted data collection, not architecture, as the next bottleneck. The framework yields verified per-lesion predictions for downstream structured report generation.
- Abstract（参考訳）: 放射線学報告では、腎病変をタイプ、サイズ、拡張、減衰で記述しているが、既存の3D法では、患者または臓器レベルでのみ予測できる。
腎CTの特徴を1つのモデルが腎あたりの病変の変動を出力し,それぞれに4つの臨床的特性が認められた。
対象は,1つの学術的医療センターで788例から2,619例のCTで,多粒度側・側方ラベルを併用し,KTS23(489例)をゼロショット外的検証に使用した。
サイズ依存のハンガリー語マッチングと,スロット単位の出力をサイドレベルに集約する階層的損失を備えたDETRスタイルのアーキテクチャである。
4つの入力表現と6つのエンコーダ初期化のうち、2つの設計選択は、入力チャネルとしてのセグメンテーションマスクと、同じドメインの腹部予備訓練(SuPreM)である。
LesionDETRは、UF-HealthではAUC $0.799 \pm 0.009$、KiTS23では0.817 \pm 0.072$に達する。
カウント条件付き変種は嚢胞性病変に対してmAP当たり0.190$pm 0.083$に到達し、希少な固相APはノイズフロアに留まり、アーキテクチャではなくターゲットデータ収集を次のボトルネックとしている。
このフレームワークは、下流構造レポート生成のための検証された記述ごとの予測を生成する。
関連論文リスト
- Benchmarking Foundation Models for Renal Lesion Stratification in CT [2.051956285018868]
オープンソース医療基盤モデル(FM)は、医療画像モデルのトレーニングに使用することができる。
ここでは、FMと放射能を比較し、3D ResNet-50をゼロから訓練する。
FMは腎病変の成層化の確立したモデルを超えず、放射線を現在の最先端として残した。
論文 参考訳（メタデータ） (2026-05-08T13:56:11Z) - Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。
ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。
Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
論文 参考訳（メタデータ） (2025-09-26T23:09:41Z) - Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。
我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。
私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
論文 参考訳（メタデータ） (2024-07-02T12:58:35Z) - TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for
Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。
ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文 参考訳（メタデータ） (2023-10-19T11:09:50Z) - Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation [0.3926357402982764]
腎病理学者による病変スコアは半定量的であり、サーバ間の変動が高い。
DiffRegFormerは計算に優しいフレームワークで、3つの解剖学的クラスにわたる500以上のオブジェクトを効率的に認識できる。
我々の手法は従来の手法よりも優れており、平均精度は52.1%(検出)と46.8%(分離)である。
論文 参考訳（メタデータ） (2023-09-29T11:59:57Z) - Kidney abnormality segmentation in thorax-abdomen CT scans [4.173079849880476]
腎腺腫と腎異常を鑑別するための深層学習手法を提案する。
胸腹部CTで215例の造影CT検査を施行した。
Diceスコアが0.965, 0.947となり, 腎発作を2つの検体で分けた。
論文 参考訳（メタデータ） (2023-09-06T22:04:07Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Surrogate-free machine learning-based organ dose reconstruction for
pediatric abdominal radiotherapy [0.19359975080269876]
最先端の手法は3Dサロゲート解剖学を用いてこれを達成している。
機械学習(ML)に基づくサロゲートフリー線量再構成手法の提案と検証
新たなMLベースの臓器ドレナージ法は,サロゲートのセットアップがもはや不要であるため,精度だけでなく効率も向上する。
論文 参考訳（メタデータ） (2020-02-17T04:19:01Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。