Fugu-MT 論文翻訳(概要): Decoupling Parcellation from Classification: Systematic Benchmark of Fast Brain Segmentation Methods for Alzheimer's Disease Detection

論文の概要: Decoupling Parcellation from Classification: Systematic Benchmark of Fast Brain Segmentation Methods for Alzheimer's Disease Detection

arxiv url: http://arxiv.org/abs/2608.16039v1
Date: Mon, 17 Aug 2026 03:08:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.510835
Title: Decoupling Parcellation from Classification: Systematic Benchmark of Fast Brain Segmentation Methods for Alzheimer's Disease Detection
Title（参考訳）: 分類からパーセレーションを分離する:アルツハイマー病検出のための高速脳分割法の体系的ベンチマーク
Abstract要約: 我々は,FS-HV (FreeSurfer) 臨床ベースラインに対する高速深層学習解析手法のベンチマークを行った。因子設計では,3つのパーセレーション手法,2つのボリューム戦略,4つの分類方法が評価されている。
参考スコア（独自算出の注目度）: 22.040630187626693
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Brain parcellation and classification are typically evaluated in isolation, yet downstream AD detection performance depends on their interaction. We decouple these components and systematically benchmark fast deep learning parcellation methods (SynthSeg+, OpenMAP-T1) against the FreeSurfer (FS-HV) clinical baseline through down- stream AD classification on OASIS-1. Our factorial design evaluates three parcellation methods, two volumetry strategies (hard vs. soft), and four classifier paradigms (clinical thresholds, supervised feedforward networks, ensemble methods, and foundation models with zero/few-shot prompting), with all results quantified using BCa Bootstrap 95% confidence intervals.
Abstract（参考訳）: 脳のパーセレーションと分類は通常、独立して評価されるが、下流のAD検出性能はその相互作用に依存する。我々はこれらのコンポーネントを分離し、OASIS-1のダウンストリームAD分類を通じて、FreeSurfer (FS-HV) 臨床ベースラインに対して高速ディープラーニング解析手法(SynthSeg+, OpenMAP-T1)を体系的にベンチマークする。我々の因子的設計は,3つのパーセレーション手法,2つの容積戦略(ハード対ソフト)と4つの分類法(クリニカルしきい値,教師付きフィードフォワードネットワーク,アンサンブル手法,ゼロ/フェーショットプロンプト付き基礎モデル)を評価し,すべての結果をBCA Bootstrap 95%の信頼区間を用いて定量化した。

関連論文リスト

GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
論文参考訳（メタデータ） (2026-03-21T15:09:06Z)
TCG CREST System Description for the DISPLACE-M Challenge [11.144212535817674]
本報告では, DISPLACE-M チャレンジのトラック1(話者ダイアリゼーション)における TCG CREST システム記述について述べる。本研究では,様々な音声活動検出法と高度なクラスタリングアルゴリズムが話者ダイアリゼーション(SD)性能に与える影響について検討した。
論文参考訳（メタデータ） (2026-03-02T16:12:47Z)
LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation [17.25487101903999]
病理組織学における弱制御セマンティックセグメンテーション(WSSS)は、クラス間同質性、クラス内異質性、CAM誘発領域収縮によって阻害される。クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。
論文参考訳（メタデータ） (2025-12-05T17:59:16Z)
Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文参考訳（メタデータ） (2025-10-05T09:32:12Z)
Benchmarking Dimensionality Reduction Techniques for Spatial Transcriptomics [0.0]
本研究では,空間転写学における次元削減手法の評価のための統一的な枠組みを提案する。胆管癌Xeniumデータセット上に,PCA,NMF,オートエンコーダ,VAE,ハイブリッド埋め込みの6つの手法をベンチマークした。
論文参考訳（メタデータ） (2025-09-12T17:27:34Z)
AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文参考訳（メタデータ） (2025-08-07T07:47:16Z)
LadderMIL: Multiple Instance Learning with Coarse-to-Fine Self-Distillation [18.92114069747481]
計算病理学における全スライド画像(WSI)解析のための多重インスタンス学習(MIL)は、しばしばインスタンスレベルの学習を無視する。 LadderMILは,(1)インスタンスレベルの監視と(2)バッグレベルでのインスタンス間コンテキスト情報学習という2つの観点からMILを改善するために設計されたフレームワークである。
論文参考訳（メタデータ） (2025-02-04T20:41:02Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文参考訳（メタデータ） (2021-06-11T13:03:33Z)
Does Your Dermatology Classifier Know What It Doesn't Know? Detecting the Long-Tail of Unseen Conditions [18.351120611713586]
皮膚の状態を正確に分類できる深層学習システムを開発し,厳密に評価した。このタスクは、アウトオブディストリビューション(OOD)検出問題としてフレーム化します。我々の新しいアプローチである階層外乱検出(HOD)は、各トレーニングクラスに対して複数の禁制クラスを割り当て、インレーヤ対外乱の粗い分類を共同で行う。
論文参考訳（メタデータ） (2021-04-08T15:15:22Z)
Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文参考訳（メタデータ） (2020-07-09T08:32:06Z)
LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。