論文の概要: Multiple Myeloma Lesion Segmentation on Whole-Body Diffusion-Weighted Imaging via Efficient Anatomical Anticipation and Multimodal Confirmation
- arxiv url: http://arxiv.org/abs/2609.06165v1
- Date: Sat, 05 Sep 2026 16:08:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.212196
- Title: Multiple Myeloma Lesion Segmentation on Whole-Body Diffusion-Weighted Imaging via Efficient Anatomical Anticipation and Multimodal Confirmation
- Title（参考訳）: 効率的な解剖学的予測とマルチモーダル確認による全身拡散強調画像における多発性骨髄腫病変の検討
- Abstract要約: WB-DWIを用いたMM病変分割のための2段階フレームワークを提案する。
第1段階では,専用の骨ラベルを使わずに,ADC画像から骨ROI生成モデルを訓練する。
第2段階では、解剖誘導型マルチモーダルU-Netを提案する。
- 参考スコア（独自算出の注目度）: 28.876740706448345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-body diffusion-weighted imaging (WB-DWI) is widely used for multiple myeloma (MM) assessment, yet automated lesion segmentation remains challenging due to limited anatomical delineation and the low specificity of marrow hyperintensity. Existing studies have introduced bone region-of-interest (ROI) information and apparent diffusion coefficient (ADC) maps to mitigate these ambiguities, but practical limitations remain. Bone ROI construction often relies on costly manual annotation, image registration, or dedicated bone models, while ADC is usually incorporated only through simple channel fusion, limiting its ability to provide complementary structural and lesion-discriminative cues. To address these limitations, we propose a two-stage framework for MM lesion segmentation on WB-DWI. In the first stage, we train a bone ROI generation model from ADC images without dedicated bone labels, providing an efficient and practical anatomical prior for lesion analysis. In the second stage, we propose Anatomy-guided Multimodal U-Net (AMU-Net), which leverages ADC in a manner consistent with clinical lesion assessment rather than treating it as a generic auxiliary modality. Extensive experiments demonstrate the effectiveness and practicality of the proposed method. It achieves the best overall performance among the evaluated methods, with a mean Dice score of 76.2%.
- Abstract（参考訳）: 全身拡散強調画像 (WB-DWI) は多発性骨髄腫 (MM) の評価に広く用いられているが, 解剖学的脱線と骨髄過大度の特異性の低さにより, 病変の自動分節は依然として困難である。
既存の研究では、これらの曖昧さを軽減するために、骨領域(ROI)情報と明らか拡散係数(ADC)マップが導入されたが、実際的な制限は残っていない。
骨ROIの構築は、しばしば高価な手動アノテーション、画像登録、または専用の骨モデルに依存し、ADCは通常、単純なチャネル融合によってのみ組み込まれ、補完的な構造と病変を識別する手段を提供する能力を制限する。
これらの制約に対処するため,WB-DWI上のMM病変のセグメンテーションのための2段階のフレームワークを提案する。
第1段階では, 骨ラベルのないADC画像から骨ROI生成モデルを訓練し, 病変解析に先立って, 効率的で実用的な解剖学的手法を提供する。
第2段階では,解剖誘導型マルチモーダルU-Net (AMU-Net) を提案する。
大規模実験により提案手法の有効性と実用性を実証した。
評価された方法の中で最高の総合的なパフォーマンスを達成し、平均的なDiceスコアは76.2%である。
関連論文リスト
- Prompt-Guided Interactive Segmentation of Interstitial Lung Disease in Thoracic CT [0.0]
胸部CTにおけるインタラクティブな3次元LDセグメンテーションのためのMedSAM2の初回適応について述べる。
BBox(bounding-boxes),point, lasso, scribble(scribble)の3つの微調整戦略と複数の臨床的動機付けプロンプトについて検討した。
7つのILDパターンと健康な肺組織にまたがるデータセットでは、フルモデル微調整が最善であった。
BBoxは最強のパフォーマンスを達成するが、ラッソやスクリブルプロンプトのような非ネイティブなMedSAM2相互作用も有効である。
論文 参考訳（メタデータ） (2026-08-28T15:43:25Z) - Trust the Prior (or Not): Uncertainty-Aware Abdominal Aortic Aneurysm Segmentation [6.7365887585568585]
本稿では,識別学習と事前情報を統合した患者固有のフレームワークを提案する。
提案手法では,(1)局所解剖のガウス混合モデルに基づく患者固有の強度正規化,(2)空間的先行を組み込んだ不確実性Gated Anatomical Attentionモジュールを提案する。
論文 参考訳（メタデータ） (2026-06-30T21:30:49Z) - ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images [23.05175906366438]
Invasive Coronary Angiography (ICA) は冠動脈疾患の診断における臨床標準である。
本研究では,ICA画像の自動検出,病変,重症度推定のためのオープンソースフレームワークODySSeIを紹介する。
ODySSeIは、新しいピラミッド拡張スキーム(PAS)を用いて訓練された深層学習に基づく病変検出と病変分割モデルを統合する
我々のLSE技術は,MLDの予測値が,対応する基底真理からpm$2-3ピクセルしか差がないため,精度が高い。
論文 参考訳（メタデータ） (2026-03-20T15:07:15Z) - A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。
現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。
筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
論文 参考訳（メタデータ） (2026-01-26T08:14:51Z) - Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。
U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。
その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
論文 参考訳（メタデータ） (2025-12-23T15:24:31Z) - FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。
FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。
まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。
第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文 参考訳（メタデータ） (2025-08-24T11:03:56Z) - Bridging Classification and Segmentation in Osteosarcoma Assessment via Foundation and Discrete Diffusion Models [3.2090645669282045]
パッチ分類と領域分割のギャップを埋める新しいフレームワークであるFDDMを紹介する。
FDDMは2つの段階で機能する: パッチベースの分類、次いでリージョンベースの改良により、クロスパッチ情報通信を可能にする。
このフレームワークは骨肉腫評価の新しいベンチマークを設定し、基礎モデルと拡散に基づく改善の可能性を強調している。
論文 参考訳（メタデータ） (2025-01-03T18:06:18Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。