Fugu-MT 論文翻訳(概要): ORACLE-CT: Anatomy-Aware Support Pooling for CT Classification

論文の概要: ORACLE-CT: Anatomy-Aware Support Pooling for CT Classification

arxiv url: http://arxiv.org/abs/2606.05460v1
Date: Wed, 03 Jun 2026 21:37:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-05 22:39:44.416789
Title: ORACLE-CT: Anatomy-Aware Support Pooling for CT Classification
Title（参考訳）: ORACLE-CT:CT分類のための解剖学的支援プール
Authors: Lavsen Dahal, Yubraj Bhandari, Geoffrey Rubin, Joseph Y. Lo,
Abstract要約: ORACLE-CTはエンコーダに依存しない解剖学的アグリゲーションフレームワークである。単一組織、複数組織連合、比較、ローカライズ、グローバルサポート戦略をサポートしている。 ORACLE-CTは、予測と解剖学的証拠の間の監査可能なリンクを維持しながら、識別と外的堅牢性を改善する。
参考スコア（独自算出の注目度）: 0.7901846308308808
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Abdominal CT disease classification is challenging because each scan is a large 3D volume with many possible findings, while diagnostic evidence is often confined to specific organs or anatomical compartments. Most study-level classifiers aggregate encoder features using anatomy-agnostic pooling or attention, creating a mismatch between localized disease evidence and global evidence aggregation. We propose ORACLE--CT, an encoder-agnostic anatomy-aware aggregation framework that uses multi-organ segmentation to define label-specific anatomical supports and restrict attention pooling to relevant regions. The framework supports single-organ, multi-organ union, comparative, localized, and global support strategies. We evaluate ORACLE--CT with three encoder families: DINOv3, I3D--ResNet-121, and the radiology-native Pillar--0 encoder. Models are trained end-to-end on MERLIN and evaluated internally and under frozen external transfer to Duke--Abdomen and AMOS. Compared with global average pooling, support-masked pooling improved MERLIN macro-AUROC/AUPRC from 0.838/0.638 to 0.858/0.676 for DINOv3 and from 0.829/0.617 to 0.848/0.659 for I3D--ResNet-121. On harmonized 10-label external evaluation, DINOv3 improved on Duke--Abdomen from 0.802/0.628 to 0.835/0.683 and on AMOS from 0.742/0.313 to 0.762/0.350, with similar gains for I3D--ResNet-121. For Pillar--0, most gains came from learned attention, with smaller additional benefit from anatomical masking. ORACLE--CT improves discrimination and external robustness while preserving an auditable link between predictions and anatomical evidence.
Abstract（参考訳）: 腹部CT疾患の分類は、各スキャンは大きな3Dボリュームであり、多くの可能性があり、診断的証拠は特定の臓器や解剖学的区画に限られることが多いため、困難である。ほとんどの研究レベルの分類器は、解剖学に依存しないプールや注意を用いてエンコーダの特徴を集約し、局所的な疾患の証拠とグローバルな証拠の証拠とをミスマッチさせる。本稿では,エンコーダに依存しない解剖学的アグリゲーションフレームワークORACLE-CTを提案する。このフレームワークは、単一組織、複数組織連合、比較、ローカライズ、グローバルサポート戦略をサポートしている。 ORACLE-CTはDINOv3, I3D--ResNet-121, Radiology-native Pillar--0エンコーダの3つのエンコーダファミリーで評価した。モデルはMERLIN上でエンドツーエンドにトレーニングされ、内部および凍結した外部からデュークへ-アブドメンとAMOSへ転送される。世界平均プールと比較すると、MERLINマクロ-AUROC/AUPRCはDINOv3では0.838/0.638から0.858/0.676、I3D-ResNet-121では0.829/0.617から0.848/0.659に改善された。調和した10ラベルの外部評価では、DINOv3はDuke-Abdomenを0.802/0.628から0.835/0.683に改善し、AMOSを0.742/0.313から0.762/0.350に改善した。 Pillar-0の場合、ほとんどの利得は学習によるものであり、解剖学的マスキングの恩恵は小さくなっている。ORACLE-CTは、予測と解剖学的証拠の間の監査可能なリンクを保ちながら、識別と外的堅牢性を改善している。

関連論文リスト

AG-TAL: Anatomically-Guided Topology-Aware Loss for Multiclass Segmentation of the Circle of Willis Using Large-Scale Multi-Center Datasets [22.37266312754642]
解剖学的にガイドされたTopology-Aware Loss (AG-TAL) を提案する。 AG-TALは、小船のクラス不均衡に対処するために半径対応のDice損失、破壊対応のclDice損失、隣接対応の共起損失を統合する。 AG-TALは5倍のクロスバリデーションを用いて評価し,すべてのCoW動脈に対して平均80.85%のDiceスコアを達成した。
論文参考訳（メタデータ） (2026-04-30T03:14:49Z)
Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文参考訳（メタデータ） (2026-03-23T05:46:45Z)
Organ-Aware Attention Improves CT Triage and Classification [0.7901846308308808]
市販のビジョン言語モデルは、3D解剖、プロトコルシフト、ノイズの多いレポート管理に苦しむ。本研究は,CT-RATEとRADCHEST-CTの2つの胸部CTデータセットを用いた。本稿では,Organ-Masked AttentionとOrgan-Scalar Fusionを組み合わせたエンコーダに依存しない臓器認識ヘッドORACLE-CTを提案する。
論文参考訳（メタデータ） (2026-01-19T20:37:45Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文参考訳（メタデータ） (2025-05-23T14:40:09Z)
Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
論文参考訳（メタデータ） (2025-04-27T16:43:52Z)
A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。モデルはアトラスベース登録アルゴリズムの12倍高速であった。
論文参考訳（メタデータ） (2025-03-26T17:03:46Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。これにより3次元広視野CTスキャンが主流となる可能性がある。
論文参考訳（メタデータ） (2022-10-13T01:51:29Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)

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。