論文の概要: Bowel Obstruction Detection and Localization on Abdominal CT with Deep Learning

• arxiv url: http://arxiv.org/abs/2607.22173v1
• Date: Fri, 24 Jul 2026 10:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.113521
• Title: Bowel Obstruction Detection and Localization on Abdominal CT with Deep Learning
• Title（参考訳）: 深達度学習による腹部CTにおける腸閉塞の検出と局在
• Abstract要約: 本稿では,腸閉塞を共同で検出し,転移領域を局所化するマルチタスク目的のディープラーニングフレームワークを提案する。 本手法は,疑わしい遷移点をスライス内で特定する,本質的に解釈可能な分類法を用いて拡張する。 このモデルでは,93%の障害検出精度,95%のHit@10遷移領域の局所化を実現している。
• 参考スコア（独自算出の注目度）: 13.93096238903113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bowel obstruction is a common and potentially life-threatening gastrointestinal condition. In the face of rising diagnostic workloads, the automated diagnosis of bowel obstruction on CT scans supports radiologists by accelerating detection and improving patient outcomes. In this work, we propose a deep learning framework with a multi-task objective that jointly detects bowel obstruction and localizes its transition zone. Additionally, we extend the method with an inherently interpretable classification method that locates the suspected transition point within a slice. It does so by learning a probabilistic selection mask that faithfully bases the classifier's prediction solely on a small image region. The proposed method is evaluated on an internal dataset comprising 1,427 abdominal CTs. Here, the model achieves an obstruction detection test accuracy of 93% and a Hit@10 transition zone localization of 95%. As the first method to reliably localize the transition zone, this marks a significant step towards the automated identification of this critical clinical landmark.
• Abstract（参考訳）: 腸閉塞は一般的で致命的な消化管疾患である。 診断負荷の増大に直面して,CTスキャンによる腸閉塞の自動診断は,検出の迅速化と患者の予後の向上によって,放射線科医を支援する。 本研究では,腸閉塞を共同で検出し,転移領域を局所化するマルチタスク目的のディープラーニングフレームワークを提案する。 さらに,本手法を,疑わしい遷移点をスライス内で特定する,本質的に解釈可能な分類法で拡張する。 これは、小さな画像領域のみに基づく分類器の予測を忠実に基盤とする確率的選択マスクを学習することによって実現される。 本手法は腹腔CT1,427例からなる内部データセットを用いて評価した。 このモデルでは,93%の障害検出精度,95%のHit@10遷移領域の局所化を実現している。 トランジションゾーンを確実にローカライズする最初の方法として、この重要な臨床的ランドマークの自動識別に向けた重要なステップとなる。

関連論文リスト

• Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound [24.492164115951358]
  臨床センター間のドメインシフトは、前立腺がん検出のためのディープラーニングモデルをデプロイする上で、依然として基本的な障壁である。 本稿では,ガン検出エンコーダを対象領域に適応させるセグメンテーション誘導型TTAフレームワークANTを提案する。 このモデルは、マルチセンター臨床試験において、初期のマイクロ超音波スキャナーで画像化した693人の患者で訓練され、2つのセンターにまたがる新しい世代のシステムで得られた118人の患者で評価された。
  論文  参考訳（メタデータ） (2026-08-20T20:36:40Z)
• A Unified Framework for the Detection and Classification of Fatty Pancreas in Ultrasound Images [0.0]
  非アルコール性脂肪膵疾患(非アルコール性脂肪膵疾患、NAFPD)は、メタボリックシンドローム、インスリン抵抗性、膵癌のリスクの増加に関連する診断下状態である。 腹部超音波画像から正常膵と脂肪膵を自動分類するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-08T09:13:30Z)
• 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)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Weakly Supervised Intracranial Aneurysm Detection and Segmentation in MR angiography via Multi-task UNet with Vesselness Prior [2.423045468361048]
  頭蓋内動脈瘤 (IAs) は脳血管の異常な拡張であり、破裂すると生命を脅かす結果をもたらす。 本稿では,脳動脈瘤の検出とセグメンテーションを共同で行うために,血管度を組み込んだ3次元マルチタスクUNetを提案する。
  論文  参考訳（メタデータ） (2025-08-01T00:45:46Z)
• AutoComb: Automated Comb Sign Detector for 3D CTE Scans [6.146230417980112]
  Comb Signは、複数の消化管疾患を検出する重要なバイオマーカーである。 現在の検出方法は、手動、時間集約、主観的解釈の傾向にある。 本稿では,CTE からComb Sign を検出するための完全自動手法を提案する。
  論文  参考訳（メタデータ） (2025-02-28T18:53:32Z)
• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)

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。