論文の概要: A Multi-Center Benchmark for Abdominal Disease Diagnosis and Report Generation from Non-Contrast CT

• arxiv url: http://arxiv.org/abs/2606.16991v1
• Date: Mon, 15 Jun 2026 17:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.104534
• Title: A Multi-Center Benchmark for Abdominal Disease Diagnosis and Report Generation from Non-Contrast CT
• Title（参考訳）: 腹部疾患診断のためのマルチセンターベンチマークと非造影CTからの報告
• Authors: Mariam Elbakry, Aliaa Sayed Sheha, Salma Hassan Tantawy, Aya Yassin, Concetto Spampinato, Karim Lekadir, Xiaomeng Li, Marawan Elbatel,
• Abstract要約: 腹部病変の鑑別には多核性造影CT(CECT)が広く用いられている。 コントラスト誘発性腎症の固有のリスクを負い、取得負担を増大させ、放射線医の作業負荷に大きく貢献する。 多臓器性腹部疾患の診断と自動放射線診断レポート作成のための新しいマルチセンターベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 15.152662172359355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiphasic contrast-enhanced CT (CECT) is widely used for abdominal lesion characterization, yet it carries inherent risks of contrast-induced nephropathy, escalates acquisition burden, and heavily contributes to radiologist workload. To address these challenges, we introduce a novel multi-center benchmark for multi-organ abdominal disease diagnosis and automated radiology report generation, which learns to synthesize contrast-enhanced findings from single-phase non-contrast CT (NCCT). To support this, we curated a large-scale dataset of paired NCCT-CECT studies and their corresponding contrast-enhanced radiology reports from two centers, partitioned into internal sets and an external validation cohort. Under a unified evaluation protocol, we benchmarked five contemporary deep learning architectures encompassing chest-specific, abdomen-specific, and general-purpose multimodal domains. Extensive experiments demonstrate that NCCT retains diagnostic signals, achieving an average multi-organ AUC of 69.1% on the internal cohort and 63.1% on the external cohort, respectively. By releasing this dataset and standardized benchmark publicly, this study aims to catalyze future research into safer, resource-efficient, and globally accessible contrast-free abdominal imaging workflows. Code is available at: https://github.com/xmed-lab/TriALS-Report.
• Abstract（参考訳）: 腹部病変の診断には多相性造影CT(CECT)が広く用いられているが, 造影腎症の本態性リスクを伴い, 獲得負担が増大し, 放射線技師の作業負荷に大きく寄与する。 これらの課題に対処するために, 単相非造影CT(NCCT)から造影検査結果の合成を学習する多臓器性腹部疾患診断のための新しいマルチセンターベンチマークと, 自動放射線診断レポート生成を提案する。 これを支援するために, NCCT-CECTの大規模データセットと, 2つの中心から得られた造影X線学レポートを, 内部セットと外部検証コホートに分割した。 統合評価プロトコルを用いて,胸部特有,腹部特有,汎用多目的ドメインを含む5つの現代ディープラーニングアーキテクチャをベンチマークした。 NCCTは診断信号を保持しており、内部コホートでは平均69.1%、外部コホートでは63.1%である。 このデータセットと標準化されたベンチマークを公開することにより、この研究は、安全でリソース効率が良く、また、広くアクセス可能なコントラストのない腹部画像ワークフローに関する将来の研究を触媒することを目的としている。 コードは、https://github.com/xmed-lab/TriALS-Report.comで入手できる。

関連論文リスト

• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Multimodal Deep Learning for Phyllodes Tumor Classification from Ultrasound and Clinical Data [0.29981448312652675]
  Phyllodes tumors (PTs) は良性線維腺腫との放射線学的類似性から術前の分類が困難である。 乳房超音波(BUS)画像を構造化された臨床データと統合して診断精度を向上させるマルチモーダルディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T19:54:11Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Improved Esophageal Varices Assessment from Non-Contrast CT Scans [15.648325577912608]
  食道静脈瘤(EV)は門脈圧亢進による重篤な健康上の問題である。 非造影CT(non-contrast Computed Tomography, NC-CT)は, 安価で非侵襲的な画像モダリティであるにもかかわらず, EV評価のための主要な臨床診断ツールとして完全には受け入れられていない。 我々は,NC-CTスキャンにおける重要な臓器機能の解析を改良し,EVを効果的に評価するMulti-Organ-cOhesion-Network(MOON)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T06:49:10Z)
• Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation [21.792652078631868]
  本研究では,非コントラストのセグメンテーションをゼロトラストラベルなしで計算するための教師なし手法を提案する。 生成的敵対的アプローチとは違って,CECTを用いて一対の形態的文脈を計算し,教師の指導を行う。 コントラストとコントラストを併用したCTスキャンによる多臓器分画に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-05-12T06:36:33Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。