論文の概要: HERMES: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT

• arxiv url: http://arxiv.org/abs/2607.26498v1
• Date: Wed, 29 Jul 2026 05:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.549647
• Title: HERMES: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT
• Title（参考訳）: HERMES: PET/CTにおける頭頸部腫瘍分離, TN安定化, 無再発生存のためのハイブリッドアンサンブル
• Authors: Kai Wang, Meixu Chen, Elie Nasr, Ryan Lanning, Moyed Miften,
• Abstract要約: HERMESは3つのHECKTOR 2026サブタスクのための単一のコンテナ化アルゴリズムである。 STU-Net Smallネットワークの10倍のアンサンブルがセグメンテーションを生成する。 HERMESは0.6454(Mean Dice 0.641, T balanced accuracy 0.580, N balanced accuracy 0.642, RFS C-index 0.679)の重み付きスコアを獲得し、テストフェーズの資格を得た。
• 参考スコア（独自算出の注目度）: 3.2632075797484887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present HERMES (Hybrid Ensemble for Radiotherapy-target segmentation, Malignancy staging, and Event-free Survival), a single containerized algorithm for the three HECKTOR 2026 subtasks: segmentation of the primary tumor (GTVp) and pathological lymph nodes (GTVn), radiological T/N staging, and recurrence-free survival (RFS), computed from a paired FDG-PET/CT scan and an electronic health record. A 10-fold ensemble of STU-Net Small networks produces the segmentation; the predicted mask then drives two downstream tasks. Rather than pass a generic radiomics vector to the staging models, we derive from the predicted masks a compact set of geometry features aligned with the size and number axes of AJCC/UICC 7th-edition radiological N/T staging. On internal cross-validation these features raise N-stage balanced accuracy from 0.691 to 0.720 (+0.030), our largest single design gain, at lower feature dimensionality. For prognosis we combine complementary deep and clinical risk experts in an equal-weight ensemble, and train one deep expert with a concordance-tracking survival loss of our own, whose value approximates the concordance index during training. Every component was selected on honest out-of-fold predictions under a regularization-oriented protocol, with no tuning on the public validation set, and deployed as two decorrelated submissions. On the HECKTOR 2026 validation leaderboard, HERMES achieved a weighted score of 0.6454 (Mean Dice 0.641, T balanced accuracy 0.580, N balanced accuracy 0.642, RFS C-index 0.679) and qualified for the testing phase. Team: AMC_HNC.
• Abstract（参考訳）: HERMES (Hybrid Ensemble for Radiotherapy-target segmentation, Malignancy staging, and Event-free Survival) はHECKTOR 2026サブタスクの1つのコンテナ化アルゴリズムである。 STU-Net Smallネットワークの10倍のアンサンブルはセグメンテーションを生成し、予測されたマスクは2つの下流タスクを駆動する。 一般的な放射能ベクトルをステージングモデルに渡すのではなく、予測されたマスクから、AJCC/UICC 7th-edition ラジオロジカル N/T ステージングのサイズと数軸に整合した、コンパクトな幾何学的特徴セットを導出する。 内部のクロスバリデーションでは、これらの機能はNステージの精度を0.691から0.720(+0.030)に引き上げる。 予後に関しては, 相補的な深度と臨床リスクの専門家を同程度のアンサンブルで組み合わせて, 訓練中のコンコータンス指数に近似したコンコータンス追跡生存損失で1人の深度の専門家を訓練する。 すべてのコンポーネントは、正規化指向のプロトコルの下で、公開検証セットをチューニングせずに、正直なアウトオブフォールドの予測に基づいて選択され、2つの非相関な提案としてデプロイされた。 HECKTOR 2026の検証リーダーボードでは、HERMESは0.6454(平均Dice 0.641、Tバランス精度0.580、Nバランス精度0.642、RFS C-index 0.679)の重み付けスコアを獲得し、テストフェーズの資格を得た。 チーム:AMC_HNC。

関連論文リスト

• HEad and neCK TumOR (HECKTOR) 2025: Benchmark of Segmentation, Diagnosis, and Prognosis in Multimodal PET/CT [13.031827676281729]
  HECKTOR 2025チャレンジは、マルチモーダルPET/CT画像と電子健康記録を用いた自動HNC分析のベンチマークを確立した。 このチャレンジには35の登録チームが参加し、15のファイナリストが保持されたテストセットで評価された。 最高性能アルゴリズムは,セグメンテーションにおける平均Dice類似度係数0.75,生存予測のための一致指数0.66,HPV分類における平衡精度0.56を達成した。
  論文  参考訳（メタデータ） (2026-06-18T12:06:38Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• 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)
• Pretrained hybrid transformer for generalizable cardiac substructures segmentation from contrast and non-contrast CTs in lung and breast cancers [3.704003490598663]
  放射線治療計画(RTP)のためのAI自動セグメンテーションは、トレーニングデータセットとは異なる特徴を持つ臨床ケースに適用した場合、劣化する可能性がある。 肺がんおよび乳癌患者の心下組織を分断するために, プレトレーニングしたトランスフォーマーをハイブリッドトランスフォーマー畳み込みネットワーク (HTN) に改良した。 HTNは, 画像, 患者特性の異なるCTからの心筋部分構造を, 確固たる精度(幾何学的, 線量的測定値)で示していた。
  論文  参考訳（メタデータ） (2025-05-16T04:48:33Z)
• Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
  3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。 従来の放射能の特徴のみを含む3つの予後モデルが構築された。 セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
  論文  参考訳（メタデータ） (2022-11-18T10:31:26Z)
• Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
  自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。 腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
  論文  参考訳（メタデータ） (2022-09-22T18:44:57Z)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。