論文の概要: Report Supervision

• arxiv url: http://arxiv.org/abs/2608.27668v1
• Date: Thu, 27 Aug 2026 19:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.13885
• Title: Report Supervision
• Title（参考訳）: 特集にあたって
• Abstract要約: レポートスーパービジョン(Report Supervision、R-Super)は、レポートを使用して腫瘍のセグメンテーションを直接監督し改善するトレーニングフレームワークである。 R-Superは、マスクのみのトレーニングに関して腫瘍検出F1スコアとセグメンテーションを最大15%増加させる。
• 参考スコア（独自算出の注目度）: 20.131928083839096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation models can surpass radiologists, classification models, and vision-language models in tumor detection. Importantly, segmentation models outline tumors, allowing radiologists to better verify and trust the AI output. Their main limitation is the scarcity of tumor masks: creating one 3D tumor mask takes up to 30 minutes, so most public CT datasets contain only a few hundred masks, and even the largest private datasets contain only a couple of thousand. Tumor masks are not produced in clinical routine, but radiology reports are. Public datasets contain tens of thousands of CT-Report pairs, and hospitals contain hundreds of thousands. These reports describe tumors in detail, providing large-scale, informative training data. Here, we introduce Report Supervision (R-Super), a training framework that uses reports to directly supervise and improve tumor segmentation. R-Super introduces new loss functions that teach segmentation models to segment tumors that match report descriptions of tumor count, sizes, and locations. Reports are only used for training. We evaluated R-Super on kidney and pancreatic tumor segmentation, exploring diverse training data sizes, up to 41,418 CT-Report plus 3,488 pancreatic tumor CT-Mask pairs. On external validation, R-Super increased tumor detection F1-Score and segmentation DSC by up to +15% with respect to mask-only training. It also surpassed alternative methods such as CLIP and multi-task learning. Leveraging numerous readily available reports to supplement scarce masks, R-Super strongly improves AI performance when very few training masks are available (e.g., 50), and when many masks are available (e.g., 3,488), unlocking scale in tumor segmentation.
• Abstract（参考訳）: セグメンテーションモデルは、腫瘍検出において放射線学者、分類モデル、視覚言語モデルを上回る可能性がある。 重要なことに、セグメンテーションモデルは腫瘍を概説し、放射線学者はAIの出力をよりよく検証し、信頼することができる。 1つの3D腫瘍マスクを作成するのに最大30分かかるので、ほとんどの公開CTデータセットは数百のマスクのみを含み、最大のプライベートデータセットでさえ数千のマスクしか含まない。 腫瘍マスクは臨床ルーチンでは生成されないが、放射線学報告もある。 公開データセットには数万のCT-Reportペアが含まれており、病院には数十万のCT-Reportが含まれている。 これらの報告は腫瘍を詳細に記述し、大規模かつ情報的訓練データを提供する。 本稿では,腫瘍セグメンテーションの直接監視と改善にレポートを使用するトレーニングフレームワークであるReport Supervision(R-Super)を紹介する。 R-Superは、腫瘍数、サイズ、位置のレポート記述と一致するセグメント化モデルにセグメンテーションを教える新しい損失関数を導入した。 レポートはトレーニングにのみ使用される。 R-Superは腎腫瘍と膵腫瘍のセグメンテーションで評価され,41,418例のCT-Reportと3,488例の膵腫瘍CT-Maskペアについて検討した。 外的検証では,R-Superは腫瘍検出F1-ScoreとセグメンテーションDSCを最大15%増加させ,マスクのみのトレーニングを行った。 また、CLIPやマルチタスク学習といった代替手法を超越した。 非常に少ないトレーニングマスク(例:50)が利用可能で、多くのマスク(例:3,488)が利用可能で、腫瘍セグメンテーションのスケールをアンロックする。

関連論文リスト

• Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images [0.8846824366848378]
  脳腫瘍は人間の生命に重大な脅威を与えるため、早期に正確に検出する必要がある。 近年、小児や思春期の脳腫瘍の発生が増加し、膨大な量のデータが得られた。 我々は,脳腫瘍の分類のための2つの新しいディープラーニングアーキテクチャー (a) SAETCN (Self-Attention Enhancement tumor Classification Network) を提案した。
  論文  参考訳（メタデータ） (2025-12-06T18:49:57Z)
• Scaling Tumor Segmentation: Best Lessons from Real and Synthetic Data [62.63749675817477]
  AbdomenAtlas 2.0は10,135個のCTスキャンのデータセットで、6つの臓器に手動で注釈付けされた1ボクセルあたり15,130個の腫瘍例が記録されている。 公開データセットよりも顕著な改善が達成され、DSCテストは+7%、配布外テストは+16%向上した。
  論文  参考訳（メタデータ） (2025-10-16T16:08:09Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• Tumor Synthesis conditioned on Radiomics [1.3521165953335823]
  放射能特性を生成条件として利用する腫瘍発生モデルを提案する。 本モデルでは,ガンモデルを用いて腫瘍マスクを生成,拡散モデルを用いて放射線学的特徴に基づく腫瘍テクスチャを生成する。 本手法では, 任意の位置において, サイズ, 形状, テクスチャなど, ユーザが特定した放射線学的特徴に応じて, 腫瘍画像を生成することができる。
  論文  参考訳（メタデータ） (2025-09-29T02:04:12Z)
• Learning Segmentation from Radiology Reports [46.073392569125375]
  CTスキャンにおける腫瘍のセグメンテーションは、診断、手術、予後のキーとなる。 しかし、セグメンテーションマスクは時間と専門知識を必要とするため、不足している。 本稿では,放射線学報告を腫瘍セグメンテーションAIのボクセル管理に転換するレポートスーパーロス(R-Super)を提案する。
  論文  参考訳（メタデータ） (2025-07-08T01:37:34Z)
• RadGPT: Constructing 3D Image-Text Tumor Datasets [13.909446077455323]
  今回,AbdomenAtlas 3.0を報告した。 全ての報告はボクセルマスクと組み合わせられ、肝臓、腎臓、膵腫瘍を記述している。 以上の結果より,AIによる報告ではセグメンテーションが腫瘍検出を強く改善することが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-08T18:39:10Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)

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。