論文の概要: Negative controls reveal volume-driven confounding in radiomics and imaging foundation model features
- arxiv url: http://arxiv.org/abs/2607.28423v1
- Date: Thu, 30 Jul 2026 16:02:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.649884
- Title: Negative controls reveal volume-driven confounding in radiomics and imaging foundation model features
- Title（参考訳）: 負の制御は、放射能における体積駆動的コンファウンディングとイメージング基礎モデルの特徴を明らかにする
- Authors: Katy L. Scott, Sejin Kim, Joshua Siraj, Caryn Geady, Matthew Boccalon, Mattea Welch, Mogtaba Alim, Andrew J. Hope, Benjamin Haibe-Kains,
- Abstract要約: 放射能と深部画像の特徴が独立した空間信号を取得するかどうかを評価するために,READII-2-ROQCを導入する。
READII-2-ROQCは、ランダム化戦略を用いて、腫瘍、背景、全体像領域にわたるボクセル摂動画像を生成する。
空間構造が破壊された後に複数のモデルが性能を保ち、ボリューム駆動あるいはコンテキスト共起が明らかになるのに対し、他のモデルは摂動に敏感な信号を示す。
- 参考スコア（独自算出の注目度）: 0.6264008935221496
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radiomics and imaging foundation models promise non-invasive biomarkers of tumour biology, yet predictive signatures may reflect tumour volume or acquisition artifacts rather than meaningful image structure. We introduce READII-2-ROQC, an open-source framework that uses volume-preserving negative controls to assess whether radiomic and deep imaging features capture independent spatial signals. READII-2-ROQC generates voxel-perturbed images across tumour, background and whole-image regions using configurable randomization strategies, then compares feature behaviour and model performance between original and control images. Applied to three public cancer imaging cohorts, the framework processed 3,552 tumour volumes and extracted PyRadiomics and foundation-model features from original images and nine matched controls. Reproducing published survival and HPV-status signatures, we show that multiple models retain performance after spatial structure is destroyed, revealing volume-driven or contextual confounding, whereas others show perturbation-sensitive signal. READII-2-ROQC provides a scalable quality-control strategy for developing interpretable, biologically grounded imaging biomarkers and reproducible radiomics workflows.
- Abstract（参考訳）: 放射線学およびイメージング基礎モデルは、腫瘍生物学の非侵襲的なバイオマーカーを約束するが、予測的シグネチャは、有意義な画像構造ではなく、腫瘍の体積や獲得アーティファクトを反映する可能性がある。
提案するREADII-2-ROQCは,体積保存型負の制御を用いて,放射能と深部画像の特徴が独立した空間信号を捕捉するかどうかを評価するオープンソースフレームワークである。
READII-2-ROQCは、設定可能なランダム化戦略を用いて、腫瘍、背景、全体像領域にまたがるボクセル摂動画像を生成し、元の画像と制御画像との特徴挙動とモデル性能を比較する。
3つのがん画像コホートに適用し、3,552個の腫瘍を処理し、元の画像からPyRadiomicsと基礎モデルの特徴を抽出した。
空間構造が破壊された後に複数のモデルが性能を保ち、ボリューム駆動あるいはコンテキスト整合が明らかとなり、他のモデルでは摂動に敏感な信号が現れる。
READII-2-ROQCは、解釈可能な生物学的基盤のイメージングバイオマーカーと再現可能な放射能ワークフローを開発するためのスケーラブルな品質制御戦略を提供する。
関連論文リスト
- Scaling Generative Foundation Models for Chest Radiography with Rectified Flow Transformers [17.58664012517527]
胸部X線画像の高忠実合成は, 臨床データセットの多様化に向けて有望な方法である。
本稿では, 胸部X線写真における最大の生成基盤モデルとして, 1.3B 以上のパラメータを用いて, キュレートした不均一なデータセット上で1.6T トークンをトレーニングした。
本モデルでは,複数のグループにまたがる可制御性ラジオグラフィ生成と編集,取得ビュー,12の病理診断をサポートする。
論文 参考訳（メタデータ） (2026-06-17T18:01:18Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - RadiomicsFill-Mammo: Synthetic Mammogram Mass Manipulation with Radiomics Features [3.0015555136149175]
そこで,RadiomicsFill-Mammoは,特定の放射能特性を反映した現実的なマンモグラム質量像を生成する革新的な技術である。
その結果,RadiomicsFill-Mammoは様々な放射線条件に基づいて,多彩で現実的な腫瘍像を効果的に生成できることが示唆された。
論文 参考訳（メタデータ） (2024-07-08T07:33:52Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - An Attentive-based Generative Model for Medical Image Synthesis [18.94900480135376]
注意に基づく二重コントラスト生成モデルであるADC-cycleGANを提案する。
このモデルは、二重コントラスト損失項とCycleGAN損失を統合し、合成された画像がソース領域と区別可能であることを保証する。
実験により,提案したADCサイクルGANモデルが,他の最先端生成モデルに匹敵するサンプルを生成することが示された。
論文 参考訳（メタデータ） (2023-06-02T14:17:37Z) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - REPLICA: Enhanced Feature Pyramid Network by Local Image Translation and
Conjunct Attention for High-Resolution Breast Tumor Detection [6.112883009328882]
本稿では,局所画像翻訳と接続注意(REPLICA)による再生ネットワークの強化について述べる。
我々は、畳み込みオートエンコーダを発電機として使用し、局所ピラミッドを介して画像にオブジェクトを注入し、それらの特徴を隠蔽層で抽出して、新しい画像を生成する。
そして、シミュレーション画像の数が多いため、視覚変換器を使用して、特徴ピラミッドネットワークへの入力として機能する各ResNet層の出力を強化する。
論文 参考訳（メタデータ） (2021-11-22T21:33:02Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z)
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。