論文の概要: Foundation Models vs. Radiomics for Lung Computed Tomography: A Benchmark of Feature Extractors, Classification Heads, and Segmentation Choices
- arxiv url: http://arxiv.org/abs/2607.01001v1
- Date: Wed, 01 Jul 2026 14:37:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.938511
- Title: Foundation Models vs. Radiomics for Lung Computed Tomography: A Benchmark of Feature Extractors, Classification Heads, and Segmentation Choices
- Title（参考訳）: 肺CTにおける基礎モデル vs. 放射線線量:特徴指数, 分類頭部, セグメンテーション選択のベンチマーク
- Abstract要約: 放射線はCTによる肺がんの表現型化の確立されたアプローチである。
我々は,5つの特徴抽出器 (Curia, Curia-2, DINOv3, Radiomics2D, Radiomics3D), 7つの分類ヘッド (TabPFN, TabICL, XGBoost, CatBoost, Random Forest, logistic regression, Ridge) と5つのタスクのセグメンテーション機構をベンチマークした。
- 参考スコア（独自算出の注目度）: 1.6873748786804317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiomics is the established approach for CT-based lung cancer phenotyping, yet comparisons with foundation models rarely isolate contributions of feature extractor, classification head, and segmentation choice, or test cross-cohort robustness. We benchmark five feature extractors (Curia, Curia-2, DINOv3, Radiomics2D, Radiomics3D), seven classification heads (TabPFN, TabICL, XGBoost, CatBoost, Random Forest, logistic regression, Ridge), and three segmentation regimes on five tasks: tumor volume and stage classification, 2-year survival prediction, histology classification, and age prediction. Models are trained on LUNG1 (n=338) and evaluated on an internal test set (n=84) and the external LUNG2 cohort (n=211), with worst-case cross-cohort performance as the primary metric. The dominant design factor is task-dependent: segmentation drives volume and stage classification, while classifier choice drives survival, histology, and age prediction. Radiomics is competitive for tumor volume, tumor stage and survival (partly due to label-derivation effects for the former); Curia variants reach comparable peak scores for survival; DINOv3 falls slightly short across tasks. Patch and slice aggregation have negligible impact. We recommend Curia with tumor segmentation and a CatBoost head as a safe default, achieving the best mean rank across the three primary clinical tasks, though task-specific selection consistently outperforms any cross-task default. When tumor delineations are unavailable, Curia-2 with lung segmentation and logistic regression offers a competitive alternative. All pipelines use a two-stage design suited to small cohort sizes where end-to-end fine-tuning would risk overfitting.
- Abstract（参考訳）: 放射線医学は、CTベースの肺がんの表現型化のための確立されたアプローチであるが、基礎モデルとの比較では、特徴抽出器、分類ヘッド、セグメンテーション選択、またはクロスコホートロバストネスの寄与をほとんど分離していない。
われわれは,5つの特徴抽出器 (Curia, Curia-2, DINOv3, Radiomics2D, Radiomics3D), 7つの分類ヘッド (TabPFN, TabICL, XGBoost, CatBoost, Random Forest, logistic regression, Ridge) と,腫瘍容積とステージ分類, 2年間の生存予測, 組織分類, 年齢予測の3つをベンチマークした。
モデルはLUNG1(n=338)でトレーニングされ、内部テストセット(n=84)と外部LUNG2コホート(n=211)で評価される。
セグメンテーションはボリュームとステージの分類を駆動し、分類器の選択は生存率、組織学、年齢予測を駆動する。
放射性物質は腫瘍の体積、腫瘍のステージ、生存(特に前者に対するラベルの派生効果による)に競争力があり、キュリア変種は生存のピークスコアに匹敵し、DINOv3はタスク間でわずかに不足する。
パッチとスライスアグリゲーションは無視できる影響がある。
腫瘍のセグメンテーションとCatBoostヘッドを安全なデフォルトとしてCuriaを推奨し、3つの主要な臨床タスクで最高の平均ランクを達成したが、タスク固有の選択は、常にクロスタスクのデフォルトを上回っている。
腫瘍の脱線が利用できない場合、肺の分画とロジスティックレグレッションを持つキュリア-2が競合する代替手段となる。
全てのパイプラインは小さなコホートサイズに適した2段階の設計を使用しており、エンド・ツー・エンドの微調整は過度に適合する危険性がある。
関連論文リスト
- PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification [5.385285416226677]
本研究は、モデルトレーニングにおける追加入力として放射能特徴を用いることを提案する。
画像から導出されているにもかかわらず、そのようなマルチモーダル入力は分類性能を効果的に向上させることを示した。
このような階層的な損失は、2つのタスク間のトレーニング可能な重み付けにより、クラスごとのパフォーマンスを大幅に改善できることが示される。
論文 参考訳（メタデータ） (2026-01-14T12:09:34Z) - Live(r) Die: Predicting Survival in Colorectal Liver Metastasis [0.01268579273097071]
大腸癌はしばしば肝に転移し、長期生存率を大幅に低下させる。
現在の予後モデルは、しばしば限られた臨床または分子的特徴に基づいており、十分な予測力を持っていない。
コントラスト前・後MRIによる外科的予後予測のための完全自動フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T19:02:59Z) - BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。
データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。
悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
論文 参考訳（メタデータ） (2025-06-17T08:56:05Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳（メタデータ） (2023-03-31T09:23:27Z) - MGTUNet: An new UNet for colon nuclei instance segmentation and
quantification [3.693770437824002]
本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。
3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
論文 参考訳（メタデータ） (2022-10-20T03:00:40Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳（メタデータ） (2021-11-06T10:28:48Z) - 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) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Uncertainty-driven refinement of tumor-core segmentation using 3D-to-2D
networks with label uncertainty [0.13135750017147135]
bratsデータセットは、ハイグレードと低グレードのグリオーマの混合物を含む。
DeepSCANは不確実性の損失を使用して訓練されました。
線形回帰法とランダム森林分類を併用した高次グリオーマ患者の生存率を予測した。
論文 参考訳（メタデータ） (2020-12-11T15:57:34Z)
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。