論文の概要: Less Contouring, More Accuracy: Lesion-Guided ROI Deep Learning for Ovarian Ultrasound Classification

• arxiv url: http://arxiv.org/abs/2608.25965v1
• Date: Wed, 26 Aug 2026 16:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.900703
• Title: Less Contouring, More Accuracy: Lesion-Guided ROI Deep Learning for Ovarian Ultrasound Classification
• Title（参考訳）: 低コンチューリング, より高精度: 卵巣超音波分類のための病変誘導ROI深層学習
• Abstract要約: 本研究は, 病変誘導型関心深層学習が, 競合診断性能を向上できるかどうかを考察する。 MaxViT-Tiny, Swin Transformer, EfficientNet-B7, ResNet18の4つのディープラーニングアーキテクチャを評価した。 病変誘導ROI戦略は, 総合的に最も高い成績を示した。
• 参考スコア（独自算出の注目度）: 0.6085413410947018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ovarian lesion classification using transvaginal ultrasound remains challenging due to overlapping imaging characteristics and the dependence on expert interpretation. This study investigates whether lesion-guided region-of-interest (ROI) deep learning can achieve competitive diagnostic performance while reducing the annotation burden associated with pixel-level lesion segmentation. Two publicly available ovarian ultrasound datasets were evaluated: the Multi-Modality Ovarian Tumor Ultrasound (MMOTU) dataset for eight-class classification and the Ovarian Ultrasound Dataset (OUD) for binary classification. Four strategies were compared under a unified framework: global image-based deep learning, lesion-guided ROI-based deep learning, lesion contour-based deep learning, and contour-based radiomics with machine learning classifiers. Four deep learning architectures, MaxViT-Tiny, Swin Transformer, EfficientNet-B7, and ResNet18, were evaluated. Radiomics models were developed using support vector machine, k-nearest neighbors, and artificial neural network classifiers, with ANOVA-based feature selection applied for the lower-sample OUD dataset. The lesion-guided ROI strategy achieved the strongest overall performance, with MaxViT-Tiny obtaining 93.10% accuracy and an AUC of 0.99 on MMOTU and 97.56% accuracy and an AUC of 0.99 on OUD. The contour-based approach achieved comparable accuracy but required substantially higher annotation effort. These findings demonstrate that lesion-guided ROI deep learning provides an effective balance between diagnostic performance and annotation efficiency, offering a practical approach for scalable AI-assisted ovarian ultrasound analysis
• Abstract（参考訳）: 経血管的超音波検査による卵巣病変の分類は,画像的特徴の重複と専門的解釈への依存が原因で困難である。 本研究は, 病変誘導領域(ROI)深層学習が, 画素レベルの病変セグメンテーションに伴うアノテーション負担を軽減しつつ, 競合診断性能を向上できるかどうかを考察する。 MMOTU (Multi-Modality Ovarian tumor Ultrasound) とOUD (Ovarian Ultrasound Dataset) の2種類の卵巣超音波データセットの評価を行った。 大域的な画像に基づく深層学習、障害誘導型ROIに基づく深層学習、病変輪郭に基づく深層学習、および機械学習分類器を備えた輪郭に基づく放射能の4つの戦略を統合された枠組みで比較した。 MaxViT-Tiny, Swin Transformer, EfficientNet-B7, ResNet18の4つのディープラーニングアーキテクチャを評価した。 ラジオミクスモデルは、サポートベクターマシン、k-ネアレスト隣人、人工ニューラルネットワーク分類器を用いて開発され、ANOVAベースの特徴選択は、低サンプルOUDデータセットに適用された。 MaxViT-Tinyは93.10%、AUCはMMOTUが0.99、AUCは97.56%、OUDが0.99であった。 輪郭に基づくアプローチは、同等の精度を達成したが、かなり高いアノテーションの努力を必要とした。 これらの結果から,病変誘導型ROI深達度学習は診断性能とアノテーション効率のバランスを効果的に保ち,スケーラブルなAI支援卵巣超音波解析のための実践的アプローチを提供することが明らかとなった。

関連論文リスト

• SkinFlow: Efficient Information Transmission for Open Dermatological Diagnosis via Dynamic Visual Encoding and Staged RL [26.10211846938172]
  LVLM(General-purpose Large Vision-Language Models)は「びまん性注意」による皮膚科学にしばしば影響を及ぼす 本稿では,視覚情報伝達効率の最適化として診断を扱うフレームワークであるSkinFlowを紹介する。
  論文  参考訳（メタデータ） (2026-01-14T04:21:07Z)
• Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning [0.8374077003751697]
  TDA-Alzは、トポロジカルデータ分析とアンサンブル学習を用いた4段階アルツハイマー病重症度分類のための新しいフレームワークである。 精度は98.19%、AUCは99.75%で、データセットで報告された最先端のディープラーニングベースの手法よりも優れているか、あるいは適合している。
  論文  参考訳（メタデータ） (2026-01-01T07:44:51Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
  Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。 これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。 我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
  論文  参考訳（メタデータ） (2024-09-29T07:08:45Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Lesion-aware network for diabetic retinopathy diagnosis [28.228110579446227]
  CNNをベースとした糖尿病網膜症(DR)診断ネットワークを提案する。 提案するLANetは,DR関連情報利用のためのCNNデコーダにLAMとFPMを埋め込んで構成する。 本手法は, DR検診において 0.967 の曲線下領域で本手法より優れており, 全体の平均精度を3つのデータセットで7.6%, 2.1%, 1.2%向上させる。
  論文  参考訳（メタデータ） (2024-08-14T03:06:04Z)
• Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia Visual Inspection [37.66559952448587]
  そこで本研究では,異なるが関連する臨床研究で収集されたクロスドメイン頚部画像を利用して,モデルの性能を向上させることを提案する。 データセット間で伝達可能な情報を堅牢に学習するために,新しいプロトタイプベースの知識フィルタリング手法を提案する。 提案法は,最先端の頚椎椎間板形成検査において,Top-1の精度が4.7%向上した。
  論文  参考訳（メタデータ） (2023-08-19T11:25:09Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• HistoPerm: A Permutation-Based View Generation Approach for Improving Histopathologic Feature Representation Learning [33.1098457952173]
  HistoPermは共同埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法である。 HistoPermは、全スライディングのヒストロジー画像から抽出したパッチの増分ビューを置換し、分類性能を向上させる。 以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
  論文  参考訳（メタデータ） (2022-09-13T17:35:08Z)
• A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks [9.554833667156913]
  217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。 前立腺癌検出の精度に及ぼす各方法の影響について検討した。 浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
  論文  参考訳（メタデータ） (2020-06-01T14:31:38Z)

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。