論文の概要: Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI

• arxiv url: http://arxiv.org/abs/2609.06807v1
• Date: Sun, 06 Sep 2026 19:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.308416
• Title: Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI
• Title（参考訳）: 構造脳MRIのためのAIモデルにおける解剖学的特徴と学習的特徴の比較研究
• Abstract要約: 本研究は,約80,000人の参加者による3次元構造的T1強調MRIスキャンを含む18の公開データセットに基づく。 我々は、解剖学的特徴に基づく線形モデルが、洗練されたAIフレームワークによって学習された複雑な非線形特徴の診断性能と一致することを観察した。 本研究では,生物年齢推定における既存モデルよりも優れた基盤前訓練において,解剖学的情報を組み込む新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 11.24842098165914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we comprehensively evaluate three popular feature-extraction paradigms in AI-based neuroimaging modeling: (1) computation of anatomical surfaces and volumes, (2) supervised learning with convolutional neural networks (CNNs), and (3) unsupervised pretraining of vision transformer (ViT) foundation models, followed by supervised finetuning. Our study is based on 18 publicly available datasets containing 3D structural T1-weighted MRI scans from approximately 80,000 participants across seven distinct clinical tasks. We observe that a linear model based on anatomical features matches the diagnostic performance of complex nonlinear features learned by sophisticated AI frameworks, including foundation models trained on thousands of scans. Conversely, CNNs and pretrained ViTs learn features that implicitly capture relevant anatomical information, bypassing the need for explicit feature extraction. Building upon these insights, we propose Anatomy Segmentation Pretraining (ASP), a novel method to incorporate anatomical information during foundation-model pretraining, which outperforms existing models in biological age estimation.
• Abstract（参考訳）: 本研究では,(1)解剖学的表面と体積の計算,(2)畳み込みニューラルネットワーク(CNN)による教師あり学習,(3)視覚トランスフォーマー(ViT)基礎モデルの教師なし事前学習,そして教師あり微調整の3つの特徴抽出パラダイムを包括的に評価する。 本研究は,7つの異なる臨床課題にわたる約80,000人の参加者の3次元構造的T1強調MRIスキャンを含む18の公開データセットをベースとした。 解剖学的特徴に基づく線形モデルは、高度なAIフレームワークによって学習された複雑な非線形特徴の診断性能と一致している。 逆に、CNNと事前訓練されたViTは、明示的な特徴抽出の必要性を回避して、関連する解剖情報を暗黙的にキャプチャする機能を学ぶ。 これらの知見に基づいて,基礎モデル事前学習中に解剖情報を組み込む新しい手法である解剖分節事前学習(ASP)を提案する。

関連論文リスト

• Health system learning achieves generalist neuroimaging models [32.579819110032766]
  我々は524万のMRIおよびCTボリュームに基づいてトレーニングされた視覚基盤モデルであるNeuroVFMを紹介する。 NeuroVFMは、脳解剖学と病理学の包括的表現を学び、複数の臨床的タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-23T22:34:50Z)
• Artificial Intelligence in Breast Cancer Care: Transforming Preoperative Planning and Patient Education with 3D Reconstruction [1.5582012249641972]
  術前計画には 様々なデータセットに 解剖学的構造を分割する 正確なアルゴリズムが必要です U-Mambaを用いたHuman-in-the-loopアプローチのセグメンテーションは、撮像シナリオをまたいで一般化するように設計されている。 U-Mambaは全臓器で0.97、線維腺組織で0.96、T1強調画像で0.82と高い性能を示した。
  論文  参考訳（メタデータ） (2025-09-10T16:52:35Z)
• Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
  病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。 本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
  論文  参考訳（メタデータ） (2024-11-25T13:53:26Z)
• Segment Anything for Dendrites from Electron Microscopy [36.25707481854301]
  EM画像中のデンドライトのインタラクティブかつ自動セグメンテーションのためのセグメンテーションに基づく視覚基盤モデルであるデンドライトSAMを提案する。 このモデルは、健康な海馬ラットの高分解能EMデータに基づいて訓練され、病気のラットとヒトのデータで試験される。
  論文  参考訳（メタデータ） (2024-11-04T19:54:26Z)
• Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection [0.0]
  目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。 提案手法は,性能向上と一般化性向上のために前処理技術を適用した。
  論文  参考訳（メタデータ） (2024-04-06T15:09:49Z)
• Architecture Analysis and Benchmarking of 3D U-shaped Deep Learning Models for Thoracic Anatomical Segmentation [0.8897689150430447]
  3次元U型モデルの変種に対する最初の系統的ベンチマーク研究を行う。 本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-02-05T17:43:02Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
  本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。 提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
  論文  参考訳（メタデータ） (2023-01-02T18:07:44Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)

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。