論文の概要: OrganLens: Organ-Specific Representation Learning for CT Foundation Models

• arxiv url: http://arxiv.org/abs/2607.25164v1
• Date: Tue, 28 Jul 2026 00:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.667423
• Title: OrganLens: Organ-Specific Representation Learning for CT Foundation Models
• Title（参考訳）: OrganLens:CTファウンデーションモデルのための組織特化表現学習
• Abstract要約: 自己組織化による臓器特異的表現学習のためのOrganLensを紹介する。 臓器同一性は、共有CTエンコーダを条件とし、臓器特異的蒸留および解剖学的マスク監督形状は、解剖学的重み付けプールを臓器特異的表現に特徴付ける。 推論において、共有モデルは外部セグメンテーションマスクなしで11の臓器特異的表現を生成する。
• 参考スコア（独自算出の注目度）: 3.2635399621072856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A CT examination captures multiple organs, but many biomedical questions concern abnormalities, prognosis, or longitudinal change in a specific organ. These questions require a separate representation for each organ within the same CT volume. Existing CT foundation models commonly produce a single volume-level representation, while recent anatomy-aware methods either encode pre-separated organ volumes or explicitly disentangle images into organ token groups. The former may remove clinically relevant surrounding context, while the latter does not condition a shared encoder on a selected organ before its features are formed. We introduce OrganLens for organ-specific representation learning through self-supervision. An organ identity conditions a shared CT encoder, while organ-specific distillation and anatomy-mask supervision shape features for anatomy-weighted pooling into organ-specific representations. At inference, the shared model produces 11 organ-specific representations without external segmentation masks. We evaluate OrganLens on CT-RATE, RAD-ChestCT, INSPECT, and NLST across diverse acquisitions and downstream evaluations. Relative to CT-pretrained DINOv2, heart representations raise CT-RATE cardiomegaly AUROC from 0.910 to 0.953, while lung representations improve the Harrell C-index for NLST lung-cancer mortality by 14.2\%. The global representation reaches INSPECT Recall@10 of 33.09\% and 32.04\% for text-to-image and image-to-text retrieval, respectively. Across organ-related tasks, anatomically matched representations provide stronger task-relevant signal, while the global representation retains broad utility. OrganLens offers a scalable approach to organ-specific CT representation learning with a shared encoder. More broadly, it provides the medical research community with a reusable framework for studying organ-specific disease across cohorts and clinical endpoints.
• Abstract（参考訳）: CT検査は複数の臓器を採取するが、多くの生体医学的疑問は、特定の臓器の異常、予後、縦方向の変化を懸念する。 これらの質問は、同じCTボリューム内の各臓器に対して別々に表現する必要がある。 既存のCTファンデーションモデルは一般に単一のボリュームレベルの表現を生成するが、最近の解剖学的手法では、事前分離された臓器ボリュームをエンコードするか、明示的に臓器トークングループにイメージを巻き込む。 前者は臨床的に関連する周囲のコンテキストを除去し、後者は、その特徴が形成される前に、選択された臓器に共有エンコーダを条件にしない。 自己組織化による臓器特異的表現学習のためのOrganLensを紹介する。 臓器同一性は、共有CTエンコーダを条件とし、臓器特異的蒸留および解剖学的マスク監督形状は、解剖学的重み付けプールを臓器特異的表現に特徴付ける。 推論において、共有モデルは外部セグメンテーションマスクなしで11の臓器特異的表現を生成する。 我々は,CT-RATE,RAD-ChestCT,INSPECT,NLSTにおけるOrganLensを,多様な取得および下流評価で評価した。 CT-pretrained DINOv2とは対照的に、心電図ではAUROCが0.910から0.953に上昇し、肺電図ではNLST肺がん死亡率14.2\%のHarrell C-indexが改善した。 グローバル表現は、それぞれ33.09\%のINSPECT Recall@10と32.04\%のテキスト・ツー・イメージ検索である。 臓器関連タスク全体において、解剖学的に一致した表現は、より強力なタスク関連信号を提供する一方、グローバル表現は幅広いユーティリティを保持する。 OrganLensは、共有エンコーダによる臓器特異的CT表現学習にスケーラブルなアプローチを提供する。 より広範に、コホートや臨床の終点を越えて臓器特異的疾患を研究するための再利用可能なフレームワークを医療研究コミュニティに提供する。

関連論文リスト

• Learning Anatomy-Grounded CT Vision-Language Representations with Organ-Hierarchical Report Knowledge [7.277508278429653]
  我々は,臓器階層的知識付加型CTレポートフレームワークであるoka-CTを提案する。 OK-CTは,まず,ラジオロジーレポート解析を用いて,自由テキストレポートを臓器条件の知識に変換する。 ステージ1は、微細な臓器条件の監督を通じて、解剖学的根拠をCTの視覚表現に注入する。 Stage2は、組織特異的なレポートエビデンスを使用して、構造化レポート-CTコントラスト学習をガイドする。
  論文  参考訳（メタデータ） (2026-07-12T23:09:23Z)
• 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)
• AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
  自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。 提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-07T03:22:06Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)
• Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks [0.36944296923226316]
  深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。 我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
  論文  参考訳（メタデータ） (2020-01-26T21:28:04Z)

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。