論文の概要: Gaussian Meta-Space Augmentation for Stacking Ensembles in Multimodal IPMN Risk Stratification

• arxiv url: http://arxiv.org/abs/2608.11472v1
• Date: Tue, 11 Aug 2026 22:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.395115
• Title: Gaussian Meta-Space Augmentation for Stacking Ensembles in Multimodal IPMN Risk Stratification
• Title（参考訳）: マルチモーダルIPMNリスク階層化におけるスタックングアンサンブルのためのガウス的メタ空間拡張
• Abstract要約: 本稿では,コンバインダの対数確率メタ機能のクラス条件付きガウス拡張であるcUPMIを提案する。 cUPMIは、適切に正規化されたL2-論理的二分分類スタックに制限値を追加するが、常に高容量ツリーコンバインダを正規化する。 XGBoostにとって最も清潔な順序付けの利点は、XGBoostの8ストリームの放射能処理である。
• 参考スコア（独自算出の注目度）: 12.244907298771585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pancreatic cancer is among the most lethal malignancies; risk stratification of intraductal papillary mucinous neoplasms (IPMNs) offers a crucial opportunity for early intervention but typically requires invasive tissue biopsy. Dominant vision-based approaches, including radiomics and deep learning, provide promising but initially separate discrimination opportunities. Similarly, multisequence MRI (T1W/T2W) and anatomically decomposed (head, body and tail) analysis of the pancreas provide additional and potentially complementary signals. Effective fusion of this information is crucial in ordinal IPMN dysplasia risk prediction and can be accomplished via a meticulously regularized and calibrated ensemble stacking combiner. We present cUPMI, a class-conditional Gaussian augmentation of a combiner's log-probability meta-features, and test it on various prediction paradigms. In our multi-center analysis, we find cUPMI adds limited value to properly regularized L2-logistic binary classification stacks, but consistently regularizes higher-capacity tree combiners in the binary and radiomics-only setting (RF +0.015 and XGBoost +0.024 binary AUC, positive in all seeds). Its cleanest ordinal benefit appears for XGBoost on an 8-stream radiomics task (3-class no < low < high, +0.022 QWK in all seeds). Separately, fold-locked fusion of radiomics and 2.5D CNN streams yields the strongest overall model, an RF stack reaching QWK 0.595 (95% CI [0.54, 0.64]) and binary AUC 0.839, surpassing radiomics, 2.5D ResNet, and 3D DenseNet-121 baselines.
• Abstract（参考訳）: 膵癌は最も致命的な悪性腫瘍の1つであり、管内乳頭粘液性腫瘍(IPMNs)のリスク層化は早期治療にとって重要な機会であるが、通常は浸潤組織生検を必要とする。 放射能や深層学習など、視覚に基づく支配的なアプローチは、将来性はあるが最初は別個の差別機会を提供する。 同様に、膵のマルチシーケンスMRI(T1W/T2W)と解剖学的に分解された(頭部、体、尾)解析は、追加的および潜在的に相補的な信号を提供する。 この情報を効果的に融合することは、経常的IPMN異形成リスク予測において重要であり、細かな規則化と校正されたアンサンブル重ね合わせコンバインダによって達成できる。 本稿では,コンバインダのログ確率メタ機能のクラス条件付きガウス拡張であるcUPMIを紹介し,様々な予測パラダイムで検証する。 マルチセンター分析では、cUPMIは適切に正規化されたL2-ロジスティック二分分類スタックに限定的な値を加えるが、一貫した二分体と放射能のみの設定(RF+0.015とXGBoost+0.024バイナリAUCは全種で正)で高容量ツリーコンバインダーを規則化する。 XGBoost は 8-stream radiomics タスク (3-class no < low < high, +0.022 QWK in all seed) において最も清潔な順序性を示す。 ラジオミクスと2.5D CNNストリームの折りたたみ式融合は、QWK 0.595 (95% CI [0.54, 0.64])と2進AUC 0.839に到達し、放射能を上回り、2.5D ResNet、および3D DenseNet-121ベースラインである。

関連論文リスト

• Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification [35.18016233072556]
  悪性二分数非悪性一般化のロバスト性を改善するためのデータ拡張法について検討した。 データ拡張は、マルチソースISICアーカイブコレクションで検索された。
  論文  参考訳（メタデータ） (2026-07-29T11:06:06Z)
• Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes [35.18016233072556]
  Evo 2のようなゲノム基盤モデルは、リッチなシーケンス表現を学習するが、バイオセキュリティスクリーニングの価値はほとんど探索されていない。 凍結したEvo2層26の活性化に対して、最小限の線形および注意プローブを訓練することにより、これらの表現の中でどの程度のバイオセキュリティ関連信号が線形にアクセスできるかを問う。 保持されたメダゲノミクステストセット全体で、プローブは強い差別で抗菌抵抗を検出する。
  論文  参考訳（メタデータ） (2026-07-15T17:38:02Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• HADS-Net:A Hybrid Attention-Augmented Dual-Stream Network with Physics-Informed Augmentation for Breast Ultrasound Image Classification [0.04999814847776097]
  HADS-Netはハイブリッドアテンション拡張デュアルストリームネットワークである。 グローバルなテクスチャと2つの平行な経路を通して局所的な境界線を利用する。 精度は96.58%、マクロOC-AUCは0.9978、マクロF1は0.9654、クラスF1スコアは0.970、0.951、0.976である。
  論文  参考訳（メタデータ） (2026-05-19T22:16:24Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI [30.331894334353038]
  乳癌分子型予測のための空間マルチタスク学習フレームワークを提案する。 このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、およびKi-67増殖指数を同時に予測する。
  論文  参考訳（メタデータ） (2026-01-11T17:33:41Z)
• Upstream Probabilistic Meta-Imputation for Multimodal Pediatric Pancreatitis Classification [4.512640350507581]
  本稿では,低次元のメタ機能空間において,メタラーナーの上流を動作させる軽量化戦略であるUpstream Probabilistic Meta-Imputation (UPMI)を紹介する。 T1W/T2Wをペアにした67名の小児患者に対して、UPMIは平均AUCが0.908$pm$ 0.072であり、実際のベースラインよりも$sim$5%上昇している。
  論文  参考訳（メタデータ） (2025-11-19T07:47:39Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• Single Domain Generalization for Multimodal Cross-Cancer Prognosis via Dirac Rebalancer and Distribution Entanglement [37.468887525223764]
  マルチモーダル・プログノーシス・モデルでは, クロスキャンサーのシナリオにおいて, ユニモーダル・モデルよりも悪くなることがしばしば示されている。 Sparse Dirac Information Re Balancer (SDIR) と Cancer-Aware Distribution Entanglement (CADE) の2つのプラグイン・アンド・プレイモジュールを紹介した。
  論文  参考訳（メタデータ） (2025-07-11T06:37:48Z)
• OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides [27.84599956781646]
  本研究では,デジタル化された全スライド画像(WSI)におけるMFを検出する人工知能(AI)アプローチを提案する。 ここでは、社内の軟部組織腫瘍データセット(STMF)と、IPAC、TUPAC、CCMCT、CMC、MIDOG++の5つのオープンソースの有糸分裂データセットを組み合わせることで、最大の有糸分裂像のパン・カンサデータセットを確立する。 次に、2段階のフレームワーク(Optimized Mitoses Generator Network (OMG-Net))を用いてMFを分類した。
  論文  参考訳（メタデータ） (2024-07-17T17:53:37Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)

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。