論文の概要: Scale-Aware 3D Deep Learning for Robust Brain Metastasis Detection in Multimodal MRI

• arxiv url: http://arxiv.org/abs/2609.10825v1
• Date: Wed, 09 Sep 2026 20:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.138211
• Title: Scale-Aware 3D Deep Learning for Robust Brain Metastasis Detection in Multimodal MRI
• Title（参考訳）: マルチモーダルMRIにおけるロバスト脳転移検出のための大規模3次元ディープラーニング
• Abstract要約: 患者97名の発症コホートに病変レベルとF1が改善した。 これらの結果は, 3次元脳転移検出における精度-偽陽性トレードオフを改善するための, 単純かつ計算学的手法として, クロスオフ型確率融合を支援する。
• 参考スコア（独自算出の注目度）: 1.249264081193768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting brain metastases in magnetic resonance imaging (MRI) remains challenging because lesions vary widely in size and appearance, with very small metastases occupying only a minute fraction of a three-dimensional input. We investigate whether combining different spatial fields of view (FOVs) improves lesion detection in multimodal MRI and present a scale-aware 3D deep-learning framework. The method uses independently trained $96^3$ and $64^3$ 3D U-Nets whose whole-volume probability maps are combined by weighted late fusion. This design allows us to study the effect of spatial context separately from image resolution and modality choice. On a 97-patient development cohort, cross-FOV fusion improved lesion-level precision and F1 while substantially reducing false positives relative to the individual models. A same-FOV ensemble control showed that these gains were not explained solely by averaging independently trained networks, supporting a contribution from complementary spatial context. An exploratory cross-FOV agreement filter reduced false positives but did not improve overall F1. These results support cross-FOV probability fusion as a simple and computationally practical strategy for improving the precision-false-positive trade-off in 3D brain-metastasis detection.
• Abstract（参考訳）: 磁気共鳴画像(MRI)における脳転移の検出は、病変の大きさや外観が様々であり、非常に小さな転移が3次元入力の数分しか占めていないため、依然として困難である。 異なる空間的視野(FOV)を組み合わせることで、マルチモーダルMRIにおける病変検出が改善するかどうかを考察し、スケールアウェアな3Dディープラーニングフレームワークを提案する。 この方法は独立に訓練された9,6^3$と6,4^3$3D U-Netを用いており、その全体積確率写像は重み付き後期核融合によって結合される。 この設計により、画像の解像度とモダリティの選択から、空間的文脈の影響を別々に研究することができる。 97例の開発コホートでは, クロスFOV融合により病変レベルの精度とF1が改善し, 個々のモデルに対する偽陽性が有意に減少した。 同じFOVアンサンブル制御により、これらの利得は、独立的に訓練されたネットワークを平均化することによってのみ説明されず、補完的な空間的文脈からの貢献が支持された。 探索的相互FVフィルタは偽陽性を減少させたが、全体的なF1は改善しなかった。 これらの結果は, 3次元脳転移検出における精度-偽陽性トレードオフを改善するための, 単純かつ計算学的手法として, クロスオフ型確率融合を支援する。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
  3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T09:16:42Z)
• Toward Training-Free Zero-Shot Anomaly Detection in 3D Medical Images: A Batch-Based Approach Using 2D Foundation Models [0.0]
  2次元基礎モデルを用いた3次元医用画像の異常検出のためのトレーニングフリーフレームワークCS3Fを提案する。 Anomaly scores are obtained from cross-ject mutual similarity. CS3Fは, 転移, グリオーマ, 脳卒中の脳MRIで評価し, 肺CTにて一般性試験を行った。
  論文  参考訳（メタデータ） (2026-06-17T06:52:07Z)
• Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis [4.271205016216702]
  3D FLAIR MRIは多発性硬化症(MS)における脳画像の標準MRIシークエンスの一つとして広く推奨されている この不足と変動は、堅牢なニューロイメージング機械学習モデルの開発を妨げる。 病変認識FLAIR合成のための3次元条件拡散フレームワークであるLesion-DDPMを提案する。
  論文  参考訳（メタデータ） (2026-06-13T20:21:20Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Degradation-Aware Blur-Segmentation of Brain Tumor [6.772154747032075]
  Degradation-Aware Blur-Segmentation Net (DABSeg) は、同期型3次元マルチモーダルMRIセグメンテーションネットワークである。 本稿では,ブラーとリバランスの強度を補正する特徴領域の運動分解ステムを提案する。 システムは、モダリティの効果的な相補性を得るために、ぼやけたクロスアテンションモジュールとマルチスケールの残留アグリゲーションを組み込む。
  論文  参考訳（メタデータ） (2026-05-15T06:47:37Z)
• Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.26433688780091]
  拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。 FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:41:29Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• 3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation [6.127298607534532]
  深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れた。 変換器は畳み込みネットワークの限界に対処するために利用されてきた。 本稿では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:11:29Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。