論文の概要: GLOW-FDG: Generalized cancer LesiOn Whole-body segmentation model for $^{18}$F-FDG-PET/CT
- arxiv url: http://arxiv.org/abs/2607.03931v1
- Date: Sat, 04 Jul 2026 15:51:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.765495
- Title: GLOW-FDG: Generalized cancer LesiOn Whole-body segmentation model for $^{18}$F-FDG-PET/CT
- Title（参考訳）: GLOW-FDG:$^{18}$F-FDG-PET/CT用一般がんLesiOn全体分画モデル
- Abstract要約: 全体フルオロデオキシグルコースポジトロン断層法とCTを併用したポジトロン断層法は癌治療に広く用いられているが,手指の病変の脱線は遅く,主観的で,拡張が困難である。
GLOW-FDGはフルオロデオキシグルコースポジトロントモグラフィーおよびCTにおける全身癌病変セグメント化のためのオープンソースの人工知能モデルである。
乳癌,非転移性肺癌,頭頸部癌,転移性黒色腫の他,GLOW-FDGは病変検出のベンチマークモデルで常に優れた成績を示した。
- 参考スコア（独自算出の注目度）: 2.2362259345352693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-body fluorodeoxyglucose positron emission tomography combined with computed tomography is widely used in cancer care, but manual lesion delineation is slow, subjective, and difficult to scale. We present GLOW-FDG, an open-source artificial intelligence model for whole-body cancer lesion segmentation in fluorodeoxyglucose positron emission tomography and computed tomography. The model was trained on 1,563 scans spanning multiple cancer types and evaluated on 185 external scans from independent institutions. Across breast cancer, nonmetastatic and oligometastatic lung cancer, head and neck cancer, and metastatic melanoma, GLOW-FDG consistently outperformed publicly available benchmark models in lesion detection, while reducing false positives and maintaining strong segmentation accuracy. Quantification of total tumor burden and total lesion glycolysis was robust across cohorts, and performance approached the variability observed between expert radiation oncologists. These results support GLOW-FDG as a generalizable tool for automated cancer segmentation and quantitative imaging biomarker extraction in whole-body imaging.
- Abstract（参考訳）: 全体フルオロデオキシグルコースポジトロン断層法とCTを併用したポジトロン断層法は癌治療に広く用いられているが,手指の病変の脱線は遅く,主観的で,拡張が困難である。
GLOW-FDGはフルオロデオキシグルコースポジトロントモグラフィーおよびCTにおける全身癌病変セグメント化のためのオープンソースの人工知能モデルである。
このモデルは、複数のがんタイプにまたがる1,563個のスキャンでトレーニングされ、185個の外部スキャンで評価された。
乳がん,非転移性肺癌,頭頸部癌,転移性黒色腫の他,GLOW-FDGは偽陽性を減らし,強いセグメンテーション精度を維持するとともに,病変検出において常に利用可能なベンチマークモデルより優れていた。
腫瘍の総負担と全病変グリコリシスの定量化はコホート全体にわたって頑健であり, 放射線腫瘍専門医間での変動に近づいた。
これらの結果は、全身画像におけるGLOW-FDGを、自動がんセグメンテーションおよび定量的バイオマーカー抽出のための一般化可能なツールとしてサポートしている。
関連論文リスト
- Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration [0.0]
本研究は,CTラジオグラフィーとヘマトキシリンとエオシン組織学を統合した肺がん診断および亜型分類のためのデュアルモーダル人工知能フレームワークを提案する。
このシステムは、畳み込みニューラルネットワークを用いて、放射線学的および病理組織学的特徴を抽出し、ロバスト性を改善するために臨床メタデータを組み込む。
実験の結果,精度0.87,AUROC0.97以上,マクロF1スコア0.88。
論文 参考訳（メタデータ） (2026-04-17T14:37:54Z) - A Lightweight Multi-Cancer Tumor Localization Framework for Deployable Digital Pathology [0.46843765915430247]
特定のがん内で訓練された深層学習に基づく腫瘍検出は、異なる種類の腫瘍に適用した場合、堅牢性が低下する可能性がある。
多発癌腫瘍局在モデル (MuCTaL) を4癌から79,984個の非重複タイルを用いて訓練した。
このモデルは4つの訓練癌からの検証データで0.97のタイルレベルのROC-AUCを、独立した管腺癌コホートで0.71を達成した。
論文 参考訳（メタデータ） (2026-03-09T19:00:04Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。
101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。
R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
論文 参考訳（メタデータ） (2025-10-16T15:35:44Z) - Generalisation of automatic tumour segmentation in histopathological whole-slide images across multiple cancer types [0.5986174494948199]
このモデルは,大腸癌,子宮内膜癌,肺癌,前立腺癌患者の20万枚以上の全スライディング画像を用いて開発された。
単一癌型に特有なモデルとユニバーサルモデルを比較した場合, 性能の低下は認められなかった。
論文 参考訳（メタデータ） (2025-10-13T09:18:15Z) - Breast Cancer Classification in Deep Ultraviolet Fluorescence Images Using a Patch-Level Vision Transformer Framework [6.0791593833288085]
深紫外蛍光顕微鏡(DUV-FSM)は、摘出組織に対する全表面画像(WSI)の迅速取得を可能にする。
本研究では,パッチレベル・ビジョン・トランスフォーマー(ViT)モデルを用いたDUV WSI分類フレームワークを提案する。
総合的な5倍のクロスバリデーションは、提案手法が従来のディープラーニング手法を著しく上回り、98.33%の分類精度を達成していることを示す。
論文 参考訳（メタデータ） (2025-05-12T15:22:54Z) - Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。
特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文 参考訳（メタデータ） (2024-05-13T16:07:58Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z)
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。