論文の概要: Which Anatomy Matters Under Limited Labels? A Data-Efficient Anatomy-Aware Benchmark for Cardiac Pathology Prediction

• arxiv url: http://arxiv.org/abs/2606.06509v1
• Date: Mon, 25 May 2026 11:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.66124
• Title: Which Anatomy Matters Under Limited Labels? A Data-Efficient Anatomy-Aware Benchmark for Cardiac Pathology Prediction
• Title（参考訳）: 限られたラベルの下ではどの解剖学が重要か? 心臓病の予測のためのデータ効率の良い解剖学的基準
• Authors: Himanshu Singh,
• Abstract要約: ACDCのMRIデータセットを用いて,低データ解剖学的指標を用いて5クラス心疾患の予測を行った。 ラベル設定が限定されている場合、表現が複雑さを支配します。 これらの結果は、資源制約のある医療環境において、最も情報に富む解剖を識別し、表現することが、モデルの複雑さの増大よりも重要であることを示唆している。
• 参考スコア（独自算出の注目度）: 1.203534353113171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous medical imaging problems must be solved under limited labels and constrained compute, yet it remains unclear whether performance gains are driven mainly by more expressive models or by better representation of clinically meaningful anatomy. We study this question through a low-data anatomy-aware benchmark for 5-class cardiac pathology prediction on the public ACDC MRI dataset. Using segmentation-derived patient descriptors from the right ventricle, myocardium, and left ventricle, we compare anatomy-specific and multi-structure representations across linear, kernel, and tree-based classifiers. We find that under limited label settings, representation dominates complexity. These results suggest that in resource-constrained healthcare settings, identifying and representing the most informative anatomy may matter more than the increasing complexity of the model alone.
• Abstract（参考訳）: 多くの医療画像問題は、限られたラベルと制約された計算の下で解決されなければならないが、パフォーマンス向上は、主により表現力のあるモデルや、臨床的に有意な解剖学の表現によって引き起こされるかは、まだ不明である。 ACDCのMRIデータセットを用いた5クラス心疾患予測のための低データ解剖学的ベンチマークを用いて,本問題について検討した。 右心室, 心筋, 左心室のセグメンテーション由来の患者記述子を用いて, リニア, カーネル, ツリーベース分類器間の解剖学的, 多構造的表現を比較した。 ラベル設定が限定されている場合、表現が複雑さを支配します。 これらの結果は、資源制約のある医療環境において、最も情報に富む解剖を識別し、表現することが、モデルの複雑さの増大よりも重要であることを示唆している。

関連論文リスト

• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• Left Atrial Segmentation with nnU-Net Using MRI [0.0]
  近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。 本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。 このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
  論文  参考訳（メタデータ） (2025-11-06T05:23:45Z)
• Challenges in Deep Learning-Based Small Organ Segmentation: A Benchmarking Perspective for Medical Research with Limited Datasets [1.2648105980808475]
  本研究では,最先端のディープラーニングセグメンテーションモデルの体系的評価について検討する。 その結果, モデル性能はデータ分割に非常に敏感であり, 統計的ノイズによる差は, 真のアルゴリズム上の優越性よりも小さいことがわかった。
  論文  参考訳（メタデータ） (2025-09-07T01:54:20Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Encoding of Demographic and Anatomical Information in Chest X-Ray-based Severe Left Ventricular Hypertrophy Classifiers [36.052936348670634]
  胸部X線による重症左室肥大を予測するための直接分類フレームワークを提案する。 提案手法は AUROC と AUPRC を高い精度で実現し,特徴表現率の定量化に相互情報ニューラル推定を用いる。
  論文  参考訳（メタデータ） (2025-05-31T13:30:04Z)
• SeqSeg: Learning Local Segments for Automatic Vascular Model Construction [2.4567747195551175]
  SeqSegは、画像ベースの血管モデルを構築するための、新しいディープラーニングベースの自動トレースとセグメンテーションアルゴリズムである。 SeqSegはより完全な血管を分断でき、トレーニングデータに注釈を付さない血管構造に一般化できることを示した。
  論文  参考訳（メタデータ） (2025-01-27T00:31:30Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。