論文の概要: DINOv3-MIL: Per-Kidney Multi-Label Tumour and Cyst Detection from Foundation-Model Patch Tokens on KiTS23

• arxiv url: http://arxiv.org/abs/2607.22687v2
• Date: Tue, 28 Jul 2026 10:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.026102
• Title: DINOv3-MIL: Per-Kidney Multi-Label Tumour and Cyst Detection from Foundation-Model Patch Tokens on KiTS23
• Title（参考訳）: DINOv3-MIL:KiTS23上のファンデーションモデルパッチトークンからキッドニー・マルチラベル腫瘍とサイト検出
• Abstract要約: 自然画像に基づいて訓練されたファンデーションビジョンモデルは、ドメイン事前トレーニングなしで医療タスクに移行する。 腎腫瘍・嚢胞検出における同種凍結型DINOv3 ViT-H/16+のアグリゲーターについて検討した。 MILは腫瘍 (0.74, 95% CI 0.64-0.83) と嚢胞に対して最も高いAUROCを達成し、注視病変内では7.5-9.8倍の頻度で注目されている。 プロトタイプヘッドは嚢胞検出(AUROC 0.51)に移行せず、このトークンスケールで解釈可能性と性能のトレードオフを露呈する。
• 参考スコア（独自算出の注目度）: 1.117573312865061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation vision models trained on natural images transfer to medical tasks without domain pre-training, but volumetric classification requires aggregating tens of thousands of patch tokens per study, and the aggregator constrains how the resulting model can be interpreted. We compare three aggregators on identical frozen DINOv3 ViT-H/16+ features for renal tumour/cyst detection on KiTS23 (966 kidneys; n=97 test): a CLS-token linear probe, gated attention multiple instance learning (MIL) over 55,296 patch tokens, and a prototype head following ProtoViT. Attention MIL achieves the highest AUROC for tumour (0.74, 95% CI 0.64-0.83) and cyst (0.80, 0.70-0.88), with attention enriched 7.5-9.8x over chance within annotated lesions. The prototype head does not transfer to cyst detection (AUROC 0.51), exposing an interpretability-performance trade-off at this token scale.
• Abstract（参考訳）: 自然画像に基づいて訓練された基礎的なビジョンモデルは、ドメイン事前トレーニングなしで医療タスクに移行するが、ボリューム分類では、研究毎に何万ものパッチトークンを集約する必要がある。 我々は,同種凍結型DINOv3 ViT-H/16+の腎腫瘍/嚢胞検出用アグリゲータ3つを比較した。KTS23(966腎,n=97検査)では,CLS-token linear probe,55,296パッチトークン以上の注意多重インスタンス学習(MIL),ProtoViTに続くプロトタイプヘッドの3つを比較検討した。 MILは腫瘍の最も高いAUROC (0.74, 95% CI 0.64-0.83) と嚢胞 (0.80, 0.70-0.88) を達成し、注視された病変の確率は7.5-9.8倍である。 プロトタイプヘッドは嚢胞検出(AUROC 0.51)に移行せず、このトークンスケールで解釈可能性と性能のトレードオフを露呈する。

関連論文リスト

• Multi-Granularity 3D Kidney Lesion Characterization from CT Volumes [11.709061205652871]
  本研究は, 腎CTの特徴を病期ごとのセット・プレディション・タスクとして再検討する。 当科で788名の患者から2,619個のCTボリュームを採取した。 サイズ距離ハンガリーマッチングを用いたDETRスタイルアーキテクチャである textbfLesionDETR を提案する。
  論文  参考訳（メタデータ） (2026-06-03T02:28:57Z)
• Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
  膵癌は最も攻撃的ながんの1つであり、生存率も低い。 本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
  論文  参考訳（メタデータ） (2026-01-09T16:48:50Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
  甲状腺FNAB画像分類のための深層学習システムを開発した。 Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。 システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
  論文  参考訳（メタデータ） (2025-04-19T02:13:07Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients [4.542148087324063]
  放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。 深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。 提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
  論文  参考訳（メタデータ） (2022-06-04T03:52:12Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。