論文の概要: Parameter-Efficient pretrained-CT-to-MRI Transfer for Rectal Cancer Segmentation: Performance-Calibration Trade-offs

• arxiv url: http://arxiv.org/abs/2608.27178v1
• Date: Thu, 27 Aug 2026 14:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.446657
• Title: Parameter-Efficient pretrained-CT-to-MRI Transfer for Rectal Cancer Segmentation: Performance-Calibration Trade-offs
• Title（参考訳）: 直腸癌手術におけるCT-MRI-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT- CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-CT-
• Abstract要約: 直腸癌における術前パラメータ-eFモデルであるSWIFTと腫瘍認識微細チューニングについて紹介する。 10,444個の3次元CTボリュームで事前訓練したSwin V2エンコーダを4つの累積構成によりT2強調MRIに適用した。 計測精度, 腫瘍検出, 放射線学的一致, 確率校正について検討した。
• 参考スコア（独自算出の注目度）: 3.0748861313822995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate rectal cancer segmentation from magnetic resonance imaging (MRI) is essential for adaptive radiotherapy and tumor response assessment, but deployment also requires computational efficiency and informative, calibrated uncertainty estimates. We therefore introduce SWIFT, a SWin pretrained model wIth parameter-eFficient and Tumor-aware fine-tuning for rectal cancer segmentation. A Swin V2 encoder pretrained on 10,444 public 3D CT volumes using a DINOv2-style objective was adapted to T2-weighted MRI through four cumulative configurations: full fine-tuning (SWIFT), decoder compression (SWIFTe), low-rank adaptation (SWIFTe-LoRA), and a four-member LoRA-decoder ensemble (SWIFTe-LDE4). Geometric accuracy, tumor detection, radiomic agreement, and probability calibration were evaluated on a held-out 247-case test set from a single-institution cohort acquired using 1.5 or 3 Tesla GE scanners. Compared with SWIFT, SWIFTe reduced total parameters by 70.1% (from 72.8M to 21.8M) and increased tumor detection rate from 89.9% to 93.9%, while achieving a slightly lower median surface DSC (0.61 versus 0.62) and improved radiomic agreement. In a separate SWIFTe ablation, removing tumor-aware augmentation reduced detection from 93.9% to 89.9% but increased surface DSC from 0.61 to 0.64, demonstrating a detection-boundary-agreement trade-off. SWIFTe-LoRA used 14.6% of SWIFTe's trainable parameters while retaining similar segmentation performance. SWIFTe-LDE4 achieved the lowest calibration errors among the four configurations after temperature scaling (expected calibration error, 0.217; Brier score, 0.222), although the absolute expected calibration error indicates residual miscalibration. Similar efficiency-calibration patterns were observed using the public VoCo checkpoint, supporting robustness across pretrained initializations rather than external clinical generalizability.
• Abstract（参考訳）: MRIによる正確な直腸癌の分節化は適応放射線治療と腫瘍反応評価に不可欠であるが, 展開には計算効率と情報的, 校正された不確実性評価が必要である。 そこで我々は,SWinプレトレーニングモデルであるSWIFTを紹介した。 DINOv2スタイルの目的を用いて10,444個の公開3DCTボリュームに事前トレーニングされたSwin V2エンコーダは、フル微調整(SWIFT)、デコーダ圧縮(SWIFTe)、ローランク適応(SWIFTe-LoRA)、ローラーデコーダアンサンブル(SWIFTe-LDE4)の4つの累積構成によりT2強調MRIに適応した。 1.5または3テスラGEスキャナーを用いて取得したシングルインスティテュートコホートを用いた247ケーステストセットの計測精度, 腫瘍検出, 放射線学的一致, 確率校正について検討した。 SWIFTと比較すると、SWIFTeは総パラメータを70.1%(72.8Mから21.8M)減らし、腫瘍検出率は89.9%から93.9%に増加した。 分離されたSWIFTeアブレーションでは、腫瘍認識の増強により検出が93.9%から89.9%に減少したが、表面DSCは0.61から0.64に増加し、検出境界値のトレードオフが示された。 SWIFTe-LoRAはSWIFTeのトレーニング可能なパラメータの14.6%を使用し、同様のセグメンテーション性能を維持した。 SWIFTe-LDE4は、温度スケーリング後の4つの構成(推定キャリブレーション誤差、0.217;ブライアスコア、0.222)の中で最も低いキャリブレーション誤差を達成したが、絶対的なキャリブレーション誤差は残留校正誤差を示している。 公的VoCoチェックポイントを用いて同様の効率校正パターンが観察された。

関連論文リスト

• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Interpretable Prostate Cancer Detection using a Small Cohort of MRI Images [1.0505187362647217]
  我々は162T2強調画像の小さなデータセットを用いて,自動がん検出のための解釈可能なフレームワークを開発した。 ResNet18は111Mパラメータで最高の性能(90.9%の精度、95.2%の感度、AUC 0.905)を達成した。 22例の読者調査では、5人の放射線学者が平均感度67.5%を達成し、AIモデルでは95.2%だった。
  論文  参考訳（メタデータ） (2026-03-19T03:40:07Z)
• AMGFormer: Adaptive Multi-Granular Transformer for Brain Tumor Segmentation with Missing Modalities [6.461582089537306]
  AMGFormerを提案し、3つの相乗的モジュールによる安定性を著しく向上させる。 BraTS 2018では、89.33%のWT、82.70%のTC、67.23%のET Diceスコアが15のモードの組み合わせで0.5%のばらつきで達成されている。 単一モダリティETセグメンテーションは、最先端手法よりも40～81%改善している。
  論文  参考訳（メタデータ） (2026-01-27T08:29:02Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Enhancement Without Contrast: Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging [2.5012408467295555]
  機械学習(ML)を用いた非コントラストMRIからのコントラスト強調予測は、ガドリニウムベースのコントラストエージェント(GBCA)のより安全な代替手段を提供する グリオーマMRIコントラスト強調のマルチセンター予測のための再現可能なMLパイプラインを同定するための安定性を考慮したフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T00:47:07Z)
• AI-driven software for automated quantification of skeletal metastases and treatment response evaluation using Whole-Body Diffusion-Weighted MRI (WB-DWI) in Advanced Prostate Cancer [0.27141618085306923]
  全Body Diffusion-Weighted MRI (WB-DWI) はTDV (Ttal Diffusion Volume) とgADC (Global Apparent Diffusion Coefficient) の2つの応答バイオマーカーを提供する 手指脱線病変からのTDVおよびgADCの術後変化の追跡は困難であり、読取者間の変動が増大する。 このプロセスを自動化するためのソフトウェアを開発した。核となる技術は、(i)骨を分離するための骨格確率マップを生成する弱教師付き残留U-Netモデル、(ii)WB-DWI強度正規化のための統計フレームワーク、(iii)出力を処理する浅い畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-05-13T22:57:49Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。 SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。