論文の概要: Weakly-supervised Kidney Tumor Classification from CT Scans with Multi-Instance Learning and Anatomical Filtering

• arxiv url: http://arxiv.org/abs/2609.07178v1
• Date: Mon, 07 Sep 2026 08:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:17:07.011822
• Title: Weakly-supervised Kidney Tumor Classification from CT Scans with Multi-Instance Learning and Anatomical Filtering
• Title（参考訳）: マルチケースラーニングと解剖学的フィルタリングを用いたCTスキャンからの乳腺腫瘍分類
• Abstract要約: 我々はMIL(Multi-instance Learning)と解剖学的フィルタリングを導入する。 MILはCTボリュームを2Dスライスインスタンスに分割し、ImageNetプリトレーニングによる効率的な2Dアーキテクチャを実現する。 解剖学的フィルタリングでは,病理関連部分領域のクロップスキャンに,自己教師付き身体部分回帰モデルであるCompassを用いている。 本研究は,他の臓器や病理組織に適用可能な,より広範に制御されたCT分類パイプラインの概念実証であると考えている。
• 参考スコア（独自算出の注目度）: 6.007303976935778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for CT scan analysis are often limited by the scarcity of precise pixel-level annotations, which require significant radiologist effort to produce. Training on scan-level labels alone reduces annotation requirements but introduces challenges: low supervision ratios and large input volumes make models prone to overfitting and shortcut learning. In this work, we investigate two complementary methods to address these challenges: multi-instance learning (MIL) and anatomical filtering. MIL divides CT volumes into 2D slice instances, enabling efficient 2D architectures with ImageNet pretraining rather than computationally demanding 3D models. Anatomical filtering uses Compass, our self-supervised body part regression model, to crop scans to pathology-relevant subregions without requiring segmentation masks. We evaluate two MIL frameworks - Attention-based MIL (ABMIL) and FocusMIL - on kidney tumor classification across one internal dataset (TUH) and two external datasets (KiTS23 and TCGA-KiRC). Our best models achieve F1 = 0.83 on the internal test set using only scan-level labels. We further show that anatomical filtering with the Compass model is critical for the out-of-distribution generalization of embedding-based ABMIL, while instance-based FocusMIL demonstrates greater inherent robustness to distribution shift. While evaluated on kidney tumors, we consider this a proof-of-concept for a broader weakly supervised CT classification pipeline applicable to other organs and pathologies.
• Abstract（参考訳）: CTスキャン分析のためのディープラーニングモデルは、しばしば正確なピクセルレベルのアノテーションの不足によって制限される。 スキャンレベルのラベルだけでのトレーニングは、アノテーションの要件を減らしますが、低い監督率と大きな入力ボリュームは、過度に適合し、学習をショートカットする傾向があります。 本研究では,MIL(Multi-instance Learning)と解剖学的フィルタリング(Anatomical filtering)の2つの相補的手法について検討する。 MILはCTボリュームを2Dスライスインスタンスに分割し、計算的に要求される3Dモデルではなく、ImageNetプリトレーニングによる効率的な2Dアーキテクチャを実現する。 解剖学的フィルタリングは, 自己監督型身体部分回帰モデルであるCompassを用いて, セグメンテーションマスクを必要とせずに, 病理関連部分領域のクロップスキャンを行う。 ABMIL(Attention-based MIL)とFocusMIL(FocusMIL)の2つのMILフレームワークについて,1つの内部データセット(TUH)と2つの外部データセット(KiTS23とTGA-KiRC)の腎腫瘍分類について検討した。 我々の最良のモデルは、スキャンレベルラベルのみを用いて、内部テストセット上でF1 = 0.83を達成する。 さらに, コンパスモデルを用いた解剖学的フィルタリングは, 埋め込み型AMMILの分布外一般化に不可欠であることを示す一方, インスタンスベースのFocusMILは分布シフトに固有のロバスト性を示す。 腎腫瘍について検討しながら,他の臓器や病理組織に適用可能な,より広範囲に監督されたCT分類パイプラインのコンセプト実証として検討した。

関連論文リスト

• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• MOSAIC: A Multi-View 2.5D Organ Slice Selector with Cross-Attentional Reasoning for Anatomically-Aware CT Localization in Medical Organ Segmentation [0.8747606955991707]
  既存の3Dセグメンテーションアプローチは計算的かつメモリ集約的であり、多くの場合、多くの解剖学的に無関係なスライスを含む全ボリュームを処理する。 セグメント化に先立って入力量を削減できる新しい解剖学的スライスセレクタパイプラインを提案する。 提案モデルでは, 構造的関連性の高いスライスを選択的に保持する多視点表現を前提として, 解剖学的局所化の「専門家」として機能する。
  論文  参考訳（メタデータ） (2025-05-15T19:32:28Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Screener: Self-supervised Pathology Segmentation in Medical CT Images [9.719923951063333]
  我々は、教師なしの視覚異常セグメンテーション問題として、病理診断の枠組みを定めている。 既存の密度ベースUVASフレームワークを2つの重要なイノベーションで強化する。 3万枚以上のラベルのない3DCTボリュームでトレーニングされた当社の完全自己監督型モデル、Screenerは、既存のUVAS法より優れています。
  論文  参考訳（メタデータ） (2025-02-12T11:37:35Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer for CT Scans [2.3682456328966115]
  我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。 まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。 そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T16:59:05Z)
• Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis from Lung CT Scans with Multi-Scale Guided Dense Attention [12.50972252041458]
  我々はPF-Netと呼ばれる新しい畳み込みニューラルネットワークを提案する。 PF-Netは2Dと3Dの畳み込みを組み合わせ、大きなスライス間隔でCTボリュームを扱う。 放射線誘起PFによるRhesus MacaquesのCTスキャン実験により、PF-Netは既存の2D, 3D, 2.5Dニューラルネットワークよりも高いセグメンテーション精度を示した。
  論文  参考訳（メタデータ） (2021-09-29T03:35:50Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features [5.938730586521215]
  CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。 マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-31T00:16:53Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。