Fugu-MT 論文翻訳(概要): Federated Multi-Task Learning for Bladder Tumor Segmentation and MIBC Classification Using a Hybrid CNN-Transformer Architecture

論文の概要: Federated Multi-Task Learning for Bladder Tumor Segmentation and MIBC Classification Using a Hybrid CNN-Transformer Architecture

arxiv url: http://arxiv.org/abs/2608.30458v1
Date: Mon, 31 Aug 2026 08:45:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.320588
Title: Federated Multi-Task Learning for Bladder Tumor Segmentation and MIBC Classification Using a Hybrid CNN-Transformer Architecture
Title（参考訳）: ハイブリッドCNN変換器アーキテクチャを用いた膀胱腫瘍分類とMIBC分類のためのフェデレーションマルチタスク学習
Authors: Malhar Udmale, Divyanshu Dwivedi, Aarohi Dhand, Sachin Dudda Nagaraju, Mayank Rai, Bagesh Kumar,
Abstract要約: 関節膀胱腫瘍の分節化とMIBC/NMIBC分類を4つの臨床センターで行うための多タスク学習フレームワークを提案する。提案したSwin Hybridモデルでは,局所テクスチャと境界情報のためのResNet-34ブランチと,グローバルなアナトミカルコンテキストのためのSwin-Tiny変換器を組み合わせた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate bladder tumor segmentation and assessment of mus- cle invasion from T2-weighted MRI are important for treatment plan- ning, but developing robust models across institutions is challenging be- cause patient data cannot be centrally pooled and imaging characteristics vary across scanners and acquisition protocols. We propose a federated multi-task learning framework for joint bladder tumor segmentation and MIBC/NMIBC classification across four clinical centers. The proposed Swin Hybrid model combines a ResNet-34 branch for local texture and boundary information with a Swin-Tiny Transformer for global anatomi- cal context. A segmentation-guided classification mechanism further uses tumor localization information to support MIBC prediction. We also investigate several augmentation strategies under both centralized and federated training to improve robustness to multi-center variability. Ex- periments on the FedBCa dataset show that the Swin Hybrid provides the best overall balance between segmentation and classification among the evaluated architectures. Under federated training, Geo+Elastic aug- mentation achieved a DSC of 0.8100 and a patient-level AUC of 0.8931, yielding the highest combined score of 0.8474. These results demonstrate that joint segmentation and classification can be effectively performed across multiple institutions using federated training without centralizing patient data.
Abstract（参考訳）: T2強調MRIからの正確な膀胱腫瘍の分節化と筋核浸潤の評価は、治療計画立案において重要であるが、施設間で堅牢なモデルを開発することは、 be- cause patient data を集中的にプールすることはできず、画像特性はスキャナーや取得プロトコルによって異なる。関節膀胱腫瘍の分節化とMIBC/NMIBC分類を4つの臨床センターで行うための多タスク学習フレームワークを提案する。提案したSwin Hybridモデルでは,局所テクスチャと境界情報のためのResNet-34ブランチと,グローバルなアナトミカルコンテキストのためのSwin-Tiny変換器を組み合わせた。セグメンテーション誘導分類機構は、さらに腫瘍局在情報を用いてMIBC予測をサポートする。また,多施設変動性に対するロバスト性を改善するために,集中訓練とフェデレーショントレーニングの両面での強化戦略についても検討した。 FedBCaデータセットの以前の Periments は、Swin Hybrid が評価されたアーキテクチャ間のセグメンテーションと分類のバランスを最高のものにしていることを示している。 Geo+Elastic Aug-mentationは、連合トレーニングにより、DSCが0.8100、AUCが0.8931となり、合計スコアが0.8474となった。これらの結果から, 患者データを集中化せずに, 統合トレーニングを用いて, 複数の施設で共同セグメント化と分類を効果的に実施できることが示唆された。

関連論文リスト

B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures [42.844780603412325]
自己監督型プレトレーニングは、医療画像の転送可能な表現を可能にする。ほとんどのCTエンコーダは、いまだに粗い意味理解に偏っている。グローバルなセマンティックアライメントを低減するために、バイアスドマスク画像モデリングを導入する。
論文参考訳（メタデータ） (2026-08-25T10:20:05Z)
Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文参考訳（メタデータ） (2026-07-24T04:26:47Z)
Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis [15.70912899013153]
本稿では, パッチレベルの病理組織学的特徴を構造化された臨床データと統合する体系的枠組みを提案する。単相画像モデル(単純なCNNベースラインと転送学習を備えたResNet-18)と中間融合モデル(XGBoostと多層パーセプトロン)を訓練し評価する。以上の結果から,マルチモーダル統合は,予測性能と臨床透明性の両方において有意義な改善をもたらすことが示された。
論文参考訳（メタデータ） (2026-04-18T19:46:34Z)
PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
論文参考訳（メタデータ） (2026-03-02T07:17:44Z)
Revolutionizing Glioma Segmentation & Grading Using 3D MRI - Guided Hybrid Deep Learning Models [0.0]
本研究は,U-Netに基づくセグメンテーションとDenseNet-VGG分類ネットワークを統合したハイブリッドディープラーニングモデルを開発する。高次元MRIデータは、前処理によってモデルでうまく利用することができる。その結果,グリオーマのタイムリーかつ信頼性の高い診断およびグレーディングを促進する上で,この枠組みの可能性が示唆された。
論文参考訳（メタデータ） (2025-11-26T18:51:46Z)
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)
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)
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文参考訳（メタデータ） (2023-08-04T01:19:32Z)
Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文参考訳（メタデータ） (2023-04-18T10:14:45Z)
TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classication [38.58585442160062]
マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
論文参考訳（メタデータ） (2021-06-02T02:57:54Z)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。