論文の概要: Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention

• arxiv url: http://arxiv.org/abs/2607.22749v1
• Date: Thu, 23 Jul 2026 09:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.864378
• Title: Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention
• Title（参考訳）: ロス安定化, 正常化, サブスペースアテンションによる術後グリオーマ分節の1例
• Abstract要約: ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
• 参考スコア（独自算出の注目度）: 46.03321798937855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking residual tumor after surgery is essential for catching recurrence early, but automating post-operative glioma segmentation remains a difficult task. Although transformer-based architectures, such as SwinUNETR, achieved impressive results, few studies test how well they generalize across clinical protocols. In this paper, we conduct an ablation study on the MU-GLIOMA-POST and UCSF-ALPTDG datasets and show that the standard Generalized Dice Loss (GDL) is unstable under domain shift: the Whole Lesion (WL) Dice drops from 0.88 on the internal validation set to 0.73 on the external UCSF test set. To address this, we pair brain-masked percentile normalization with voxel-level contrastive learning. We also propose a Subspace-Aware Class Attention (SACA) module that re-calibrates the bottleneck features and raises Enhancing Tumor (ET) sensitivity by 8% (9.1% relative improvement) on internal validation. Ensembling these refinements with nnU-Net brings every stable configuration to a WL Dice of 0.94, and the SACA variant ensemble achieves the best boundary error (HD95) of 2.92 mm on MU-GLIOMA-POST.
• Abstract（参考訳）: 術後遺残腫瘍の追跡は早期再発の予防に不可欠であるが,術後のグリオーマ分節の自動化は難しい課題である。 SwinUNETRのようなトランスフォーマーベースのアーキテクチャは素晴らしい結果を得たが、臨床プロトコルをまたいでどのように一般化するかをテストする研究はほとんどなかった。 本稿では,MU-GLIOMA-POSTとUCSF-ALPTDGデータセットのアブレーション研究を行い,標準一般化Dice Loss(GDL)がドメインシフトの下で不安定であることを示す。 この問題に対処するため、脳にマインドしたパーセンタイル正規化と、ボクセルレベルのコントラスト学習を組み合わせました。 また、ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し、内部検証において腫瘍(ET)感度を8%(相対改善率9.1%)向上させる。 これらの改良をnnU-Netに組み込むことで、全ての安定な構成がWL Diceの0.94となり、SACA変種アンサンブルはMU-GLIOMA-POST上で2.92mmの最良の境界誤差(HD95)を達成する。

関連論文リスト

• Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
  ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。 我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。 アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
  論文  参考訳（メタデータ） (2026-05-02T05:49:32Z)
• Focus on What Matters: Two-Stage ROI-Aware Refinement for Anatomy-Preserving Fetal Ultrasound Reconstruction [6.884711449184333]
  測定クリティカル超音波タスクは、しばしば小さな解剖学的領域に依存するため、臨床像に対する信頼性の低い指標となる。 我々はROIを意識した表現学習フレームワークを提案し、マルチホスピタルドメインシフトの下で第1三次ヌーカル透明度(NT)スクリーニングを行う。 2相畳み込みオートエンコーダ(CAE)は、まずMS-SSIMを介してグローバルに忠実な128次元潜伏符号を学習し、次に強度(L1)と正規化されたソベルエッジ制約を用いてNTROIを洗練する。
  論文  参考訳（メタデータ） (2026-04-26T18:47:17Z)
• SAMM2D: Scale-Aware Multi-Modal 2D Dual-Encoder for High-Sensitivity Intracrania Aneurysm Screening [0.0]
  本稿では,RSNAの頭蓋内動脈瘤データセット上でAUC0.686を達成するデュアルエンコーダフレームワークであるSAMM2Dを紹介する。 以上の結果から,将来の医療画像は,より複雑な拡張パイプラインよりも,強い事前訓練の恩恵を受ける可能性が示唆された。
  論文  参考訳（メタデータ） (2025-12-20T01:44:30Z)
• 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)
• I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
  異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。 凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。 COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
  論文  参考訳（メタデータ） (2025-11-05T23:28:14Z)
• HyFormer-Net: A Synergistic CNN-Transformer with Interpretable Multi-Scale Fusion for Breast Lesion Segmentation and Classification in Ultrasound Images [0.0]
  HyFormer-Netは、本質的に解釈可能な同時セグメンテーションと分類のためのハイブリッドCNN変換器である。 BUSIデータセットでは、HyFormer-NetがDice Score 0.761 +/-0.072と精度93.2%を獲得し、U-Net、Attention U-Net、TransUNetを上回っている。 乳房超音波におけるハイブリッドCNN変換器のクロスデータセット一般化研究を初めて行った。
  論文  参考訳（メタデータ） (2025-11-02T17:06:12Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset [41.69818086021188]
  我々は,全腹部病変データセットの最初の3次元マルチクラスであるMSWALを紹介する。 MSWALは、胆石、腎臓石、肝腫瘍、腎臓腫瘍、膵癌、肝嚢胞、腎臓嚢胞など、様々な一般的な病変のカバー範囲を広げている。 Inception nnU-Netは、インセプションモジュールとnnU-Netアーキテクチャを効果的に統合し、異なるフィールドから情報を抽出する新しいセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2025-03-17T06:31:25Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。