論文の概要: Multimodal Assessment of Pancreatic Cancer Resectability Using Deep Learning

• arxiv url: http://arxiv.org/abs/2607.13826v1
• Date: Wed, 15 Jul 2026 13:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.785853
• Title: Multimodal Assessment of Pancreatic Cancer Resectability Using Deep Learning
• Title（参考訳）: 深層学習を用いた膵癌切除能のマルチモーダル評価
• Abstract要約: 患者を分類するために3次元造影CTと構造化臨床情報を共同で解析する完全自動多モード深層学習フレームワークを提案する。 このアプローチでは、Swin-UNETRバックボーンを使用して、膵、腫瘍、血管構造の補助的なセグメンテーションを通じて、解剖学的に認識された画像表現を得る。
• 参考スコア（独自算出の注目度）: 0.15902850403371457
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate determination of pancreatic ductal adenocarcinoma (PDAC) resectability relies on evaluating how the tumor interacts with major peripancreatic vessels on CT imaging, yet expert assessment often shows substantial variability. We introduce a fully automated multimodal deep learning framework that jointly analyzes 3D contrast enhanced CT and structured clinical information to classify patients into the three National Comprehensive Cancer Network (NCCN) resectability categories (upfront resectable, borderline resectable, locally advanced). The approach uses a Swin-UNETR backbone to obtain anatomy aware image representations through auxiliary segmentation of pancreas, tumor, and vascular structures. These features are fused with a compact clinical embedding derived from 17 routinely collected variables and processed by a lightweight classification head. Model training is guided by a dynamic multitask objective that adapts the balance between segmentation and classification based on current tumor Dice performance, promoting feature representations that remain both anatomically informed and discriminative.
• Abstract（参考訳）: 膵管腺癌 (PDAC) の正確な診断はCT画像上, 膵管周囲血管とどのように相互作用するかに頼っている。 我々は,3次元造影CTと構造化臨床情報を共同で分析し,患者をNCCN(National Comprehensive Cancer Network, National Comprehensive Cancer Network, NCCN)再現性カテゴリ(upfront resectable, borderline resectable, local advanced)に分類する,完全自動多モード深層学習フレームワークを提案する。 このアプローチでは、Swin-UNETRバックボーンを使用して、膵、腫瘍、血管構造の補助的なセグメンテーションを通じて、解剖学的に認識された画像表現を得る。 これらの特徴を、17個の常用変数から導出されるコンパクトな臨床埋め込みと融合し、軽量な分類ヘッドで処理する。 モデルトレーニングは動的マルチタスクの目的によってガイドされ、現在の腫瘍Diceのパフォーマンスに基づいてセグメンテーションと分類のバランスを調整し、解剖学的情報と識別性の両方を維持した特徴表現を促進する。

関連論文リスト

• PanGuide3D: Cohort-Robust Pancreas Tumor Segmentation via Probabilistic Pancreas Conditioning and a Transformer Bottleneck [8.54537444302574]
  PanGuide3Dはコホート・ロバストアーキテクチャで、共有された3D膵臓デコーダを持つ。 PanGuide3Dは、腫瘍全体のパフォーマンスを最高のものにし、コホート間の堅牢性を改善した。
  論文  参考訳（メタデータ） (2026-04-22T18:10:01Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• 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)
• Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
  頭頸部扁平上皮癌(HN SCC)における転移の意義 本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-08-28T06:39:38Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• 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)
• Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical Resectability Prediction of Pancreatic Ductal Adenocarcinoma [1.880228463170355]
  膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。 本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-01T10:39:38Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)

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。