論文の概要: Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets
- arxiv url: http://arxiv.org/abs/2608.11076v1
- Date: Tue, 11 Aug 2026 15:38:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.107806
- Title: Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets
- Title（参考訳）: Foundation Model-Enabled Efficient Data Smpling (FEEDS): パンカンサー・マルチトラックPET/CTデータセットのためのラベル効率のよいトレーニング戦略
- Abstract要約: FEEDS(Foundation model-Enabled Efficient Data Sampling)は、限られた代表的なトレーニングセットのみを必要とするワンステップのトレーニングパラダイムである。
我々はAutoPET-IIIデータセットを用いてFEEDSをトレーニングし、検証する。
我々は,AutoPET-III,DeepPSMA,内部のDartmouth-Hitchcock Medical Centerデータセットの3つのホールトアウトセットに対して,その精度と一般化性を検証した。
- 参考スコア（独自算出の注目度）: 2.5378911400404207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated lesion segmentation in whole-body PET/CT imaging can assist clinicians with cancer detection, staging, and treatment planning across radiotracers and cancer types. However, training lesion segmentation models that capture variations in lesion size, distribution, and appearance requires large annotated datasets, whose creation is both time- and expertise-intensive. As a result, models trained on limited labeled PET/CT data often lack the accuracy and generalizability needed for clinical use. We present FEEDS (Foundation model-Enabled Efficient Data Sampling), a label- and compute-efficient learning strategy that uses vision foundation model embeddings to select the most informative and diverse unlabeled cases for expert annotation. Unlike unsupervised, semi-supervised, and active learning approaches, FEEDS is a one-step training paradigm requiring only a limited, representative training set, making it label- and compute-efficient. We train and validate FEEDS using the AutoPET-III dataset. We test its accuracy and generalizability on three held-out sets: AutoPET-III, DeepPSMA, and an internal Dartmouth-Hitchcock Medical Center dataset. We evaluate clinical utility at the voxel, lesion, and anatomic region level to assess performance in high-risk areas and treatment planning utility. FEEDS outperforms random-sampling-based labeling, pseudolabel-based semi-supervised learning, and training with limited labeled data alone. It generalizes across all three test sets, FDG and PSMA tracers, and multiple diseases, matching fully-labeled (100\%) training performance with 70\% less annotation burden. FEEDS addresses the challenge of label scarcity in an automatic lesion segmentation framework by providing a practical approach for constructing representative and diverse annotation queues from large, unannotated clinical repositories.
- Abstract（参考訳）: 全体PET/CT画像における病変分割の自動化は、がん検出、ステージング、放射線管およびがんタイプにわたる治療計画で臨床医を支援することができる。
しかし、病変の大きさ、分布、外観の変化を捉えたトレーニング病変セグメンテーションモデルは、時間と専門性の両方に集約した大きな注釈付きデータセットを必要とする。
その結果,PET/CTデータを限定ラベルでトレーニングしたモデルでは,臨床応用に必要な精度と一般化性が欠如していることが多かった。
FEEDS(Foundation model-Enabled Efficient Data Sampling, FEEDS)は、視覚基礎モデルの埋め込みを利用して、専門家アノテーションの最も有意義で多様な未ラベルケースを選択するラベル付きおよび計算効率の学習戦略である。
教師なし、半教師付き、アクティブな学習アプローチとは異なり、FEEDSは1ステップの訓練パラダイムであり、限定的で代表的なトレーニングセットのみを必要とし、ラベルと計算効率を向上する。
我々はAutoPET-IIIデータセットを用いてFEEDSをトレーニングし、検証する。
我々は,AutoPET-III,DeepPSMA,内部のDartmouth-Hitchcock Medical Centerデータセットの3つのホールトアウトセットに対して,その精度と一般化性を検証した。
本研究は,高リスク領域における臨床的有用性,病変,解剖学的領域レベルでの評価を行い,治療計画ユーティリティについて検討した。
FEEDSは、ランダムサンプリングベースのラベル付け、擬似ラベルベースの半教師付き学習、ラベル付きデータのみによるトレーニングよりも優れています。
3つのテストセットすべて、FDGとPSMAトレーサ、および複数の疾患を一般化し、完全なラベル付き(100\%)トレーニングパフォーマンスと70%のアノテーション負担を一致させる。
FEEDSは、大規模で注釈のない臨床リポジトリから代表的で多様なアノテーションキューを構築するための実践的なアプローチを提供することにより、自動病変分割フレームワークにおけるラベル不足の課題に対処する。
関連論文リスト
- An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation [9.922425508121012]
4つの公開データセットから4,997個のハーモナイズドスキャンを用いて,オープンソース,マルチセンター,全体FDG PET/CTファンデーションモデルを提案する。
我々のフレームワークは、初期のチャネルワイド結合を伴う階層的なUNet型のバックボーンを用いており、解剖学的および代謝学的特徴の相互作用を可能にしている。
オートマチック・オンコロジー・イメージングの進歩のための、堅牢でオープンソースの基盤を提供する。
論文 参考訳（メタデータ） (2026-05-20T23:59:50Z) - Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III [0.0]
本研究は,AutoPET IIIチャレンジのために開発された全身腫瘍セグメンテーション法を提案する。
我々は、ResNetベースのエンコーダをベースラインとしてnnU-Netフレームワークを採用し、トレーニング戦略の影響を体系的に調査する。
実験の結果,これらの戦略がモデル性能,特に偽陽性の低減と病変の変動性に対する堅牢性の改善に大きく影響していることが示唆された。
論文 参考訳（メタデータ） (2026-05-04T12:55:12Z) - Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation? [70.38903555729081]
我々はAutoPET3データ中心のトラックで競合するアプローチについて述べる。
AutoPETIIIデータセットでは、データセット全体をトレーニングしたモデルが望ましくない特性を示す。
我々は、スクラッチから再トレーニングする前に、モデル損失によって測定されたトレーニングデータセットから最も簡単なサンプルを取り除き、これを対処する。
論文 参考訳（メタデータ） (2024-09-20T14:47:58Z) - Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT [4.376648893167674]
AutoPET III ChallengeはPET/CT画像における腫瘍病変の自動切除の進歩に焦点を当てている。
我々は,PETスキャンの最大強度投影に基づいて,与えられたPET/CTのトレーサを識別する分類器を開発した。
我々の最終提出書は、公開可能なFDGおよびPSMAデータセットに対して76.90%と61.33%のクロスバリデーションDiceスコアを達成している。
論文 参考訳（メタデータ） (2024-09-18T17:16:57Z) - From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。
主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。
Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文 参考訳（メタデータ） (2024-09-14T16:39:17Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - COSST: Multi-organ Segmentation with Partially Labeled Datasets Using
Comprehensive Supervisions and Self-training [15.639976408273784]
ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。
利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。
COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
論文 参考訳（メタデータ） (2023-04-27T08:55:34Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。