論文の概要: LETT-NeXt: A Lightweight RECIST-Guided Model for 3D CT Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2606.30108v1
• Date: Mon, 29 Jun 2026 10:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.195688
• Title: LETT-NeXt: A Lightweight RECIST-Guided Model for 3D CT Lesion Segmentation
• Title（参考訳）: LETT-NeXt : 3次元CT病変分割のための軽量reCISTガイドモデル
• Abstract要約: LETT-NeXtは、CTボリュームから3次元病変マスクを予測する軽量RECIST誘導モデルである。 コンパクトなMedNeXt-v2エンコーダ-デコーダは、病変マスクを予測し、その後、即時コンポーネント選択と適応型のAutoZoom推論を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: RECIST diameter measurements are widely used for tumor response assessment, but they provide only a limited 2D description of lesion extent. We present LETT-NeXt, a lightweight RECIST-guided model that predicts 3D lesion masks from CT volumes and RECIST markers for the CVPR 2026 Foundation Models for Pan-cancer Segmentation in CT Images competition. LETT-NeXt extracts a RECIST-centered regional crop, encodes the RECIST line and endpoints as two prompt channels, and concatenates them with the CT input. A compact MedNeXt-v2 encoder--decoder predicts the lesion mask, followed by prompt-aware component selection and adaptive AutoZoom inference. On the public validation set, LETT-NeXt achieved a Dice Similarity Coefficient (DSC) of 79.4 $\pm$ 10.1 and a Normalized Surface Dice (NSD) of 72.3 $\pm$ 16.2. On the hidden test set, it achieved a DSC of 73.9 and an NSD of 67.3, corresponding to a challenge score of 70.6\%. On the public validation mirror, LETT-NeXt completed CPU inference in 6.9 $\pm$ 3.0 s per case with a peak memory use of 3.6 GB. Code is available at github.com/Ahus-AIM/lett-next.
• Abstract（参考訳）: RECIST径測定は腫瘍反応評価に広く用いられているが,病変範囲の2次元的記述は限られている。 CVPR 2026 Foundation Models for Pan-cancer Segmentation in CT Images competitionに対して,CTボリュームから3次元病変マスクを予測する軽量RECIST誘導モデルLETT-NeXtを提案する。 LETT-NeXtはRECIST中心の地域作物を抽出し、RECISTラインとエンドポイントを2つのプロンプトチャネルとしてエンコードし、CT入力と結合する。 コンパクトなMedNeXt-v2エンコーダ-デコーダは、病変マスクを予測し、その後、即時コンポーネント選択と適応型のAutoZoom推論を行う。 公的な検証セットでは、LETT-NeXt は 79.4$\pm$ 10.1 のDice similarity Coefficient (DSC) と 72.3$\pm$ 16.2 の正規化Surface Dice (NSD) を達成した。 隠しテストセットでは、DSCは73.9、NSDは67.3で、チャレンジスコアは70.6\%だった。 パブリック検証ミラーでは、LETT-NeXtは最大メモリ使用量3.6GBのケースあたり6.9$\pm$3.0 sでCPU推論を完了した。 コードはgithub.com/Ahus-AIM/lett-nextで入手できる。

関連論文リスト

• Dual-Domain Cross-Modal Decoding for Clinical Text-Guided Medical Image Segmentation [14.605945836694458]
  臨床用テキスト誘導肺感染症セグメンテーションのためのDual-Domain Cross-Modal Decoding (DD-CMD)を提案する。 空間領域において、テキストガイド空間横断認識(TGSA)は、テキスト意味論とマルチスケール視覚トークンを整列する。 周波数領域において、スペクトルテキスト適応変調(STAM)は学習可能なバンドエネルギー統計を計算するために2次元DCTを適用する。
  論文  参考訳（メタデータ） (2026-08-11T18:40:52Z)
• LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation [3.6879658915311997]
  Learnable Adaptive Weighter (LAW) は拡散訓練のための特徴とマスクから画素当たりの損失変調を予測する。 ORDERは、効率的なセグメンテーションのために、遅延デコーダ段階で選択的双方向スキップ注意を適用する。 ポリープおよび腎腫瘍データセットの実験により、LAWは20%のFID産生改善を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-05T04:20:32Z)
• Learning to Read Where to Look: Disease-Aware Vision-Language Pretraining for 3D CT [26.700589589723887]
  1つの病院で収集した 98k レポートボリューム対 (50k 患者) の 3 次元CT 画像言語モデルを訓練した。 CT-RATEでは,最先端のテキスト画像検索と競合疾患分類を実現している。
  論文  参考訳（メタデータ） (2026-03-02T16:10:17Z)
• Beam Geometry and Input Dimensionality: Impact on Sparse-Sampling Artifact Correction for Clinical CT with U-Nets [3.460998655164144]
  本研究は,U-Netを用いたスパース・サンプリング・ストリーク・アーティファクト修正作業における各種ビーム・ジオメトリと入力データの次元の影響について検討することを目的とする。 平行, ファン, コーンビーム測位のためのAstraツールボックスを用いて, 疎サンプリングCTボリュームをシミュレートした。 2Dと3DのU-Netは14日にトレーニングされ、それぞれ8つの被験者でテストされた。
  論文  参考訳（メタデータ） (2025-08-25T12:21:49Z)
• Text Embedded Swin-UMamba for DeepLesion Segmentation [6.654483111362868]
  大きな言語モデル(LLM)を病変分割ワークフローに統合することで、画像特徴と放射線診断レポートからの病変特性の記述を組み合わせることができる。 本研究では,病変分割作業におけるSwin-UMambaアーキテクチャへのテキスト統合の可能性について検討した。
  論文  参考訳（メタデータ） (2025-08-08T16:54:06Z)
• A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
  神経変性疾患では、PVS(perivascular space)の増大が一般的である。 現在不足している信頼性の高いPVS検出方法が必要である。
  論文  参考訳（メタデータ） (2024-11-29T09:19:57Z)
• 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)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)
• Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
  3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。 VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。 そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
  論文  参考訳（メタデータ） (2020-04-04T18:55:06Z)

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。