論文の概要: GRIPNet: Gaussian Radial Intensity Prior Guided Architecture for Pulmonary Nodule Detection in CT

• arxiv url: http://arxiv.org/abs/2609.11312v1
• Date: Thu, 10 Sep 2026 09:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.28496
• Title: GRIPNet: Gaussian Radial Intensity Prior Guided Architecture for Pulmonary Nodule Detection in CT
• Title（参考訳）: GRIPNet : CTにおける肺結節検出のための前ガイドアーキテクチャ
• Abstract要約: 肺がんは、他のどの悪性腫瘍よりも多くの死を引き起こす。 ほとんどの方法は、結節を一般的な対象として扱い、その外観の背後にある画像物理学を無視する。 GRIPNetは、各モジュールが強度分布の可測性にマップする検出器である。
• 参考スコア（独自算出の注目度）: 2.3626723676575025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer causes more deaths than any other malignancy, and low-dose CT screening is the main pathway to early diagnosis. That pathway hinges on the smallest lesions, yet nodules below six millimeters remain hard to detect, because most methods treat a nodule as a generic object and ignore the imaging physics behind its appearance. We show that this appearance is highly regular. Intensity peaks at the geometric center of a nodule and decays radially in a Gaussian pattern, and a fit to 18,218 annotated lesions from three public benchmarks yields a mean radial coefficient of determination above 0.86 in every dataset and size stratum. A square convolution samples both axes uniformly and is mismatched to this radial signal, most severely for small nodules. Guided by this evidence, we propose GRIPNet (Gaussian Radial Intensity Prior Network), a detector in which every module maps to a measurable property of the intensity distribution. Pinwheel convolutions decompose radial gradients, a dual-frequency module separates boundary detail from structural context, dilated masked attention matches the decay extent, and an adaptive loss reweights samples by conspicuity. GRIPNet raises mAP@0.5 to 95.3, 91.6 and 97.9 percent on KanserSet, LUNA16 and Lung-PET-CT-Dx while sharpening high-IoU localization at real-time speed.
• Abstract（参考訳）: 肺癌は、他のどの悪性腫瘍よりも死亡率が高く、低用量CTスクリーニングが早期診断の主要な経路である。 この経路は最小の病変に依存しているが、6ミリ以下の結節は検出が困難であり、ほとんどの方法では結節を一般的な物体として扱い、その外観の背後にある画像物理学を無視する。 この外観は極めて規則的なものであることを示す。 結節の幾何中心で強度がピークに達し、ガウスパターンで放射状に崩壊し、3つの公的なベンチマークから18,218個の注釈付き病変に適合すると、すべてのデータセットと大きさの層で0.86以上の決定の半径係数が得られる。 正方形の畳み込みは両軸を均一にサンプリングし、この放射信号と一致しない。 この証拠を導いたGRIPNet(Gaussian Radial Intensity Prior Network)を提案する。 ピンホイールの畳み込みはラジアル勾配を分解し、二重周波数モジュールは境界の詳細を構造的文脈から分離し、拡張されたマスク付き注意は減衰度と一致し、適応損失は顕著にサンプルを再重み付けする。 GRIPNetは、KanserSet、LUNA16、Lung-PET-CT-DxでmAP@0.5を95.3、91.6、97.9%に引き上げ、高速IoUのローカライゼーションをリアルタイムで強化する。

関連論文リスト

• Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
  3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。 新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
  論文  参考訳（メタデータ） (2026-06-24T18:00:03Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Rethinking Lung Cancer Screening: AI Nodule Detection and Diagnosis Outperforms Radiologists, Leading Models, and Standards Beyond Size and Growth [1.8699101599297607]
  低用量CTで結節レベルでの診断と悪性度診断を直接行うことにより,肺がん検診を再定義するAIシステムを提案する。 25,709個のノジュールと69,449個の注釈付きノジュールをスキャンし、評価し、このシステムは放射線科医、Lung-RADS、そして主要なAIモデルを上回っている。
  論文  参考訳（メタデータ） (2025-11-29T02:17:32Z)
• LMLCC-Net: A Semi-Supervised Deep Learning Model for Lung Nodule Malignancy Prediction from CT Scans using a Novel Hounsfield Unit-Based Intensity Filtering [1.2974519529978974]
  3次元CNNを用いたCTスキャン画像から結節を分類する新しいディープラーニングフレームワーク LMLCC-Net を提案する。 提案手法は91.96%の分類精度(ACC)、92.04%の感度(SEN)、91.87%の曲線下面積(AUC)を実現する。
  論文  参考訳（メタデータ） (2025-05-09T18:25:59Z)
• Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection [0.0]
  CTスキャン画像の正確な肺結節検出は現実の環境では困難である。 カスタムデータ前処理とデフォルマブル検出変換器(Deformable-DETR)を利用した新しいソリューションを提案する。 7.5mmの最大強度投影(MIP)を用いて、隣接する肺スライスを単一の画像に組み合わせ、スライス数を減らし、間隔を小さくする。 我々のモデルは、94.2%のF1スコア(95.2%のリコール、93.3%の精度)でLUNA16データセットの最先端性能を達成する。
  論文  参考訳（メタデータ） (2024-09-08T19:24:38Z)
• Full-resolution Lung Nodule Segmentation from Chest X-ray Images using Residual Encoder-Decoder Networks [21.724154440093216]
  肺癌はがん死の主要な原因であり、早期診断は陽性の予後と関連している。 コンピュータビジョンは、これまで人間の放射線学者を支援するために提案されてきた。 本研究では,効率的なエンコーダデコーダニューラルネットワークを用いた肺結節の局在解析を行った。
  論文  参考訳（メタデータ） (2023-07-13T04:05:39Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Dual Skip Connections Minimize the False Positive Rate of Lung Nodule Detection in CT images [1.6058099298620425]
  本論文では,マルチスケール特徴写像を生成するU-Net構造におけるデュアルパスネットワークに基づくデュアルスキップ接続アップサンプリング手法を提案する。 以上の結果から,新しいアップサンプリング手法は,画像毎の4 FROCにおいて85.3%の感度で性能を向上できることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T15:19:59Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。