論文の概要: Evaluating the Effects of Inter-Observer and Model Variability on Radiological Peritoneal Cancer Index Assessment

• arxiv url: http://arxiv.org/abs/2608.28716v1
• Date: Fri, 28 Aug 2026 09:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.730272
• Title: Evaluating the Effects of Inter-Observer and Model Variability on Radiological Peritoneal Cancer Index Assessment
• Title（参考訳）: 放射線後腹膜癌指数評価におけるインターオブザーバとモデル変数の影響評価
• Abstract要約: 造影CTを用いた放射線腹膜癌指数(r PCI)領域分割法を用いて, 測定値と判定値の差について検討した。 公表されたnnU-Netベースのr PCIセグメンテーションモデルは、Dice, HD95, ASDを用いて人間の参照に対してベンチマークされる。 観測者は高い一致(平均$0.87$)を示したが、ほとんどの地域では人的パフォーマンスと一致したが、4,8,小ボウラー地域(9-12)ではより逸脱した。 シミュレーション全体では、スコアの違いは通常、両方のオブザーバに対して小さい(平均$$r PCI $approx 0.3$-$0.6$)。
• 参考スコア（独自算出の注目度）: 3.763338927424874
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning segmentation models are often evaluated using geometric metrics such as Dice, HD95, and ASD, yet it remains unclear to what extent improvements in these metrics translate into clinically meaningful changes in downstream decision-making. The metric-to-decision gap is examined using radiological Peritoneal Cancer Index (rPCI) region segmentation on contrast-enhanced CT, where a consensus definition provides anatomically grounded 3D regions and the clinically used PCI 20 threshold enables decision-level evaluation. Inter-observer variability is quantified across four experts on ten abdominal CT scans, and a published nnU-Net based rPCI segmentation model is benchmarked against this human reference using Dice, HD95, and ASD across all 13 regions. To relate geometric differences to clinical impact, a probabilistic peritoneal metastasis simulation is implemented on majority-vote rPCI maps, propagating region-boundary variability into variability of derived (r)PCI scores and classification at the PCI 20 cutoff. Observers showed high agreement (mean Dice $0.87$), while the model matched human performance in most regions but deviated more in regions 4, 8, and the small-bowel regions (9-12). Across simulations, score differences were typically small (mean $Δ$rPCI $\approx 0.3$-$0.6$) for both observers and the model, and decision flips occurred predominantly when the reference score was near 20. These results suggest that rPCI-derived scoring is generally robust to typical segmentation variability, while highlighting borderline cases as the main setting where expert review remains essential.
• Abstract（参考訳）: ディープラーニングセグメンテーションモデルは、Dice, HD95, ASDなどの幾何学的指標を用いてしばしば評価されるが、これらの指標の改善が下流の意思決定において臨床的に有意義な変化をもたらすかは、まだ不明である。 コンセンサス定義は解剖学的に基底した3D領域を提供し,臨床的に用いられているPCI 20閾値は判定レベルの評価を可能にする。 10個の腹部CTスキャンで4人の専門家でサーバ間の変動を定量化し、13の領域でDice, HD95, ASDを使用して、nnU-NetベースのrPCIセグメンテーションモデルをこの人間の参照と比較した。 臨床効果と幾何学的差異を関連付けるため, 多数投票rPCIマップ上で腹膜転移の確率的シミュレーションを行い, 領域境界変動を(r)PCIスコアの変動性へ伝播させ, PCI20カットオフで分類した。 オブザーバーは高い合意(平均$0.87$)を示し、モデルはほとんどの地域で人間のパフォーマンスと一致したが、領域4、8、小ボウラー地域(9-12ドル)ではより逸脱した。 シミュレーション全体では、スコアの差は通常、オブザーバーとモデルの両方で小さい(平均$Δ$rPCI $\approx 0.3$-0.6$)。 これらの結果から,rPCI由来のスコアリングは典型的セグメンテーションの変動に頑健であり,専門家のレビューが不可欠である主要なセグメンテーションとして境界線のケースを強調した。

関連論文リスト

• ALTER: Modeling Longitudinal Changes via Regional Differencing for 3D CT Report Generation [2.9905735389905153]
  解剖学的に局在した時間的エビデンス表現(ALTER) General Prior Integration (GPI) は、CTを取り入れ、現在の検査の歴史的文脈を確立するために報告する。 Regional Proxy Difference (RPD)により、各解剖学的領域は、前のボリュームの単一の共有符号化から歴史的プロキシを検索し、局所化された間隔の証拠を導き出すことができる。 Interval Change Fusion (ICF) は、地域差のある現在の異常状態を変化認識ソフトプロンプトに変換し、レポート生成を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T05:27:38Z)
• Beyond Local Inspection: Global, Guideline-Grounded Evaluation of Post-hoc XAI Methods for ECG Classification [0.0]
  本報告では, 心室筋電図から心室筋電図を抽出し, 臨床的に定義された関心領域に対して評価する枠組みを提案する。 その結果,コンピュータビジョンから転送される手法の体系的失敗が明らかになった。 13の手法のうち9つは、少なくとも1つの条件で失敗し、パターン間の不整合性を示す。
  論文  参考訳（メタデータ） (2026-07-27T06:16:28Z)
• Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
  前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。 本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。 提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
  論文  参考訳（メタデータ） (2026-07-19T10:03:47Z)
• Deep Learning-Based Segmentation of Peritoneal Cancer Index Regions from CT Imaging [4.122270062114755]
  腹膜転移の診断には腹腔鏡が有用である。 放射線学的PCI(r PCI)を促進する3次元領域の定義に関する最近のコンセンサス研究 本稿では,rPCI領域をCT上に自動的に分割する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2026-04-30T10:39:18Z)
• PanTS: The Pancreatic Tumor Segmentation Dataset [49.32814895560867]
  PanTSは、膵CT解析の研究を進めるためにキュレーションされた、大規模で多施設のデータセットである。 145の医療センターから36,390個のCTスキャンをスキャンし、993,000以上の解剖学的構造を専門家が検証した。
  論文  参考訳（メタデータ） (2025-07-02T02:10:46Z)
• MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset [41.69818086021188]
  我々は,全腹部病変データセットの最初の3次元マルチクラスであるMSWALを紹介する。 MSWALは、胆石、腎臓石、肝腫瘍、腎臓腫瘍、膵癌、肝嚢胞、腎臓嚢胞など、様々な一般的な病変のカバー範囲を広げている。 Inception nnU-Netは、インセプションモジュールとnnU-Netアーキテクチャを効果的に統合し、異なるフィールドから情報を抽出する新しいセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2025-03-17T06:31:25Z)
• 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)
• Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
  目的は前立腺がんの検出と診断のワークフローを改善することである。 最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
  論文  参考訳（メタデータ） (2023-08-09T01:38:58Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)

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。