論文の概要: SGRNet: Spatially Guided Radiology Network for Structured Radiological Reporting of Head and Neck Cancer
- arxiv url: http://arxiv.org/abs/2608.29153v1
- Date: Sat, 29 Aug 2026 09:01:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.86219
- Title: SGRNet: Spatially Guided Radiology Network for Structured Radiological Reporting of Head and Neck Cancer
- Title（参考訳）: SGRNet:頭頸部癌のX線学的構造報告のための空間誘導放射線学ネットワーク
- Authors: Ayush Gupta, Vinkle Srivastav, Prateek Upadhya, Amit Gupta, Krithika Rangarajan, Nicolas Padoy,
- Abstract要約: 標準のフリーテキスト生成モデルは、密度の高い領域でリスクを引き起こし、データの不足の下で失敗する。
局所的な腫瘍の関与を予測し, 報告生成を解剖学的基盤, マルチラベル, 構造化された報告タスクとして再検討した。
SGRNetの平均精度(mAP)は0.60であり、音量のみの強力な3Dベースラインよりも8.8ポイントの絶対的な改善である。
- 参考スコア（独自算出の注目度）: 9.870008815300443
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated radiological report generation can alleviate clinical workloads and eliminate observer variability. However, standard free-text generation models pose hallucination risks in dense regions and fail under data scarcity. We address these challenges in Head and Neck Cancer (HNC) from contrast-enhanced CT (CECT) imaging. To enforce factual safety, we reformulate report generation as an anatomically grounded, multi-label, structured reporting task, predicting localized tumor involvement across a hierarchical clinical schema. To bridge the visual gap from missing metabolic imaging (e.g., PET), we introduce SGRNet (Spatially Guided Radiology Network), incorporating two low-cost spatial priors: automated organ segmentations and weakly supervised tumor localization maps modeled via 3D Gaussian heatmaps. These priors are dynamically integrated via spatial feature modulation to guide the network toward subtle tumor-induced structural alterations. Evaluated on a multi-centric dataset of 184 paired HNC CECT volumes and reports, on five clinically salient, densely packed anatomical subsites, SGRNet achieves a mean Average Precision (mAP) of 0.60, an 8.8 percentage-point absolute improvement over strong volume-only 3D baselines.
- Abstract（参考訳）: 自動放射線レポート生成は、臨床ワークロードを緩和し、オブザーバのばらつきを排除することができる。
しかし、標準自由テキスト生成モデルは、濃密な地域で幻覚のリスクをもたらし、データ不足の下で失敗する。
造影CT(CECT)を用いた頭頸部癌(HNC)におけるこれらの課題に対処する。
本研究は, 報告生成を解剖学的に基礎を置き, マルチラベルで構造化された報告タスクとして再構築し, 階層的臨床スキーマ全体にわたる局所的な腫瘍の関与を予測した。
SGRNet (Spatially Guided Radiology Network) では, 臓器の自動分割と3次元ガウス熱マップをモデルとした腫瘍局所化マップの低次元化を行った。
これらの先行は、空間的特徴変調によって動的に統合され、微妙な腫瘍誘発構造変化に向けてネットワークを誘導する。
184対のHNC CECTボリュームの多中心データセットに基づいて評価され、SGRNetは5つの臨床的に健全で密度の高い解剖学的サブサイトにおいて、強い体積のみの3Dベースラインよりも8.8ポイントの絶対的な改善である平均精度(mAP)を平均0.60で達成している。
関連論文リスト
- CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。
我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。
ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
論文 参考訳（メタデータ） (2026-06-13T13:51:10Z) - Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography [3.5333115085185614]
硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。
マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。
我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2025-12-10T07:37:42Z) - Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
頭頸部扁平上皮癌(HN SCC)における転移の意義
本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
論文 参考訳（メタデータ） (2025-08-28T06:39:38Z) - BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。
データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。
悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
論文 参考訳（メタデータ） (2025-06-17T08:56:05Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z)
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。