論文の概要: Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound

• arxiv url: http://arxiv.org/abs/2608.20557v1
• Date: Thu, 20 Aug 2026 20:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.229361
• Title: Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound
• Title（参考訳）: 微小超音波によるがん検診における前立腺解剖の学習
• Abstract要約: 臨床センター間のドメインシフトは、前立腺がん検出のためのディープラーニングモデルをデプロイする上で、依然として基本的な障壁である。 本稿では,ガン検出エンコーダを対象領域に適応させるセグメンテーション誘導型TTAフレームワークANTを提案する。 このモデルは、マルチセンター臨床試験において、初期のマイクロ超音波スキャナーで画像化した693人の患者で訓練され、2つのセンターにまたがる新しい世代のシステムで得られた118人の患者で評価された。
• 参考スコア（独自算出の注目度）: 24.492164115951358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain shift across clinical centers using different imaging hardware or acquisition protocols remains a fundamental barrier to deploying deep learning models for prostate cancer (PCa) detection. Existing test-time adaptation (TTA) methods address distribution shift through entropy minimization or augmentation-based self-supervision, correcting for statistical differences in image appearance but ignoring the anatomical structure of the target domain. We propose ANT, a segmentation-guided TTA framework that adapts a pretrained cancer detection encoder to the target domain by solving an auxiliary prostate segmentation task at test time, supervised by pseudo-masks from a frozen pretrained segmentation network. By aligning encoder representations to prostate anatomy in the target domain, ANT corrects domain-specific feature drift while preserving cancer-discriminative structure. The model was trained on 693 patients imaged with an earlier-generation micro-ultrasound scanner in a multi-center clinical trial, and evaluated on 118 patients acquired with a newer-generation system across two centers in another clinical trial. Under a leave-one-center-out protocol with identical evaluation conditions across all methods, ANT improves mean AUC by 2.9% and 3.6% at the biopsy-core and patient levels, respectively, over no adaptation, outperforming TTA baselines. Code is available at: https://github.com/ObedDzik/ant.git.
• Abstract（参考訳）: 前立腺癌(PCa)検出のためのディープラーニングモデルをデプロイする上で、異なるイメージングハードウェアや取得プロトコルを使用した臨床センター間のドメインシフトは、依然として基本的な障壁である。 既存のテスト時間適応(TTA)手法は、エントロピーの最小化や拡張ベースの自己スーパービジョンを通じて、画像の外観の統計的差異を補正するが、ターゲットドメインの解剖学的構造を無視する。 本研究では, 凍結事前訓練セグメンテーションネットワークから擬似マスクによって制御された補助前立腺セグメンテーションタスクをテスト時に解くことにより, 予め訓練したがん検出エンコーダを対象領域に適応させるセグメンテーション誘導型TTAフレームワークANTを提案する。 ANTは、エンコーダ表現を標的ドメインの前立腺解剖に合わせることで、がんの識別構造を維持しながらドメイン固有の特徴ドリフトを補正する。 このモデルは、マルチセンター臨床試験において、前世代のマイクロ超音波スキャナーで画像化した693人の患者で訓練され、別の臨床試験では、2つのセンターにまたがる新しい世代のシステムで得られた118人の患者で評価された。 全ての方法で同じ評価条件を持つ離脱1中心のプロトコルの下で、ANTは平均AUCを平均2.9%改善し、それぞれ生検コアと患者レベルで3.6%改善し、適応なく、TTAベースラインを上回っている。 コードは、https://github.com/ObedDzik/ant.git.comで入手できる。

関連論文リスト

• Learning Where to Look: A Reinforcement Learning Framework for Robust Micro-Ultrasound Prostate Cancer Detection [3.289558200859529]
  Prost-RLは、デコードの前にどこで見るべきかを学ぶことによって、空間的に認識されポリシー駆動の推論問題として、$US PCa検出を再設定する。 Prost-RLは、軽量強化学習ポリシーを基礎モデルエンコーダデコーダに統合し、解釈可能な空間アテンションマップを生成する。 693人の患者の6,607個の生検コアにおいて、Prost-RLは7,9.0pm3.5$ AUROCを獲得し、6,4.6pm6.3$%の感度でコアレベルの検出を行う。
  論文  参考訳（メタデータ） (2026-06-29T22:07:39Z)
• 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)
• Rethink Domain Generalization in Heterogeneous Sequence MRI Segmentation [1.3753367700362567]
  PancreasDGは、大規模な3次元MRI膵セグメンテーションデータセットである。 PancreasDGは、医療画像の領域一般化のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-07-30T21:26:28Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection [4.123522672804104]
  高分解能マイクロ超音波は、リアルタイム前立腺がん検出において有望であることを示す。 深層学習は、超音波に反映された複雑な組織特性を学習するための顕著なツールである。 データ分布の変化により,異なる臨床センターのデータに適用した場合,モデルの性能が低下することを示す。
  論文  参考訳（メタデータ） (2024-07-17T16:20:10Z)
• Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
  形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。 一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。 提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
  論文  参考訳（メタデータ） (2024-06-06T14:15:15Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。