論文の概要: DINO-Med: A Unified Patch-Based Adaptation Framework for Multi-Modal Medical Image Analysis Applied to Liver Fibrosis Staging

• arxiv url: http://arxiv.org/abs/2609.11380v1
• Date: Thu, 10 Sep 2026 11:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.311181
• Title: DINO-Med: A Unified Patch-Based Adaptation Framework for Multi-Modal Medical Image Analysis Applied to Liver Fibrosis Staging
• Title（参考訳）: DINO-Med:肝線維症におけるマルチモーダル医用画像解析のための統一パッチベース適応フレームワーク
• Abstract要約: トレーニング不要な登録、自動位置決め、マスクフィルタによるパッチ抽出により、生マルチモーダル画像を処理する統一されたパッチベースのフレームワークを提案する。 手作りラジオミクスの特徴,学習されたResNet特徴,事前訓練された基礎モデルSAM-Med2D特徴,凍結性硬変DINOv3特徴の4つのパッチレベル特徴表現を評価した。
• 参考スコア（独自算出の注目度）: 13.33205970973723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adapting natural-image foundation models like DINOv3 to multi-modal medical imaging is challenging due to the significant domain gap between natural color images and multi-channel medical scans. We present a unified, patch-based framework that processes raw multimodal imaging through training-free registration, automated localization, and mask-filtered patch extraction. This architecture culminates in a hierarchical strategy that aggregates patch-level insights into subject-level diagnostics. Using liver fibrosis staging as a case study, we evaluate four patch-level feature representations: handcrafted Radiomics features, learned ResNet features, pre-trained foundation model SAM-Med2D features, and frozen DINOv3 features. To ensure a controlled comparison, all models utilize the same lightweight MLP head and are evaluated across both rigid and deformable registration settings. Our training protocol focuses on mild fibrosis (S1) and cirrhosis (S4) classes only, enabling a single classifier to address both substantial fibrosis detection and cirrhosis staging. Evaluated via 10 random train (90%)/ test (10%) splits on 360 subjects from the CARE 2025 Liver Track 4 cohort, our DINOv3-based framework significantly outperforms all baselines, achieving the best classification accuracy of 78.4% for S1 and 75.8% for S4.
• Abstract（参考訳）: DINOv3のような自然画像の基礎モデルをマルチモーダルな医療画像に適用することは、自然色画像とマルチチャンネルの医療スキャンの間に大きな領域ギャップがあるため、難しい。 トレーニング不要な登録、自動位置決め、マスクフィルタによるパッチ抽出により、生マルチモーダル画像を処理する統一されたパッチベースのフレームワークを提案する。 このアーキテクチャは、サブジェクトレベルの診断に関するパッチレベルの洞察を集約する階層的な戦略に終止符を打つ。 肝線維症ステージングを症例として,手作りラジオミクス,学習ResNet,学習基礎モデルSAM-Med2D,凍結DINOv3の4種類のパッチレベルの特徴表現を評価した。 制御された比較を保証するため、全てのモデルは同じ軽量MLPヘッドを使用し、剛性と変形可能な登録設定の両方で評価される。 トレーニングプロトコルは軽度線維症 (S1) と肝硬変 (S4) クラスのみに焦点をあてた。 CRE 2025 Liver Track 4 のコホートから 360 名のランダムトレイン (90%)/テスト (10%) によって評価され、我々の DINOv3 ベースのフレームワークは、S1 では 78.4% 、S4 では 75.8% の分類精度を達成し、全てのベースラインを著しく上回っている。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
  3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。 アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
  論文  参考訳（メタデータ） (2026-03-15T21:34:59Z)
• Specializing Foundation Models via Mixture of Low-Rank Experts for Comprehensive Head CT Analysis [6.04562866374803]
  複数の特殊な低ランクアダプタと教師なしソフトルーティングでLoRAを拡張したMixture of Low-Rank Experts (MoLRE) フレームワークを提案する。 2次元および3次元のアーキテクチャ、一般ドメイン、医療ドメイン、頭部CT固有の事前訓練、および7Mから431Mのモデルサイズにまたがる6つの最先端医療画像基盤モデルのMoLREのベンチマークを提示する。
  論文  参考訳（メタデータ） (2026-02-28T14:32:38Z)
• MedDINOv3: How to adapt vision foundation models for medical image segmentation? [16.256590269050367]
  我々はDINOv3を医用セグメンテーションに適応するためのシンプルで効果的なフレームワークであるMedDINOv3を紹介した。 我々は,多段階DINOv3レシピを用いて3.87M軸CTスライスをキュレートしたCT-3Mを用いて,ドメイン適応型プレトレーニングを行う。 MedDINOv3は4つのセグメンテーションベンチマークで最先端のパフォーマンスにマッチする。
  論文  参考訳（メタデータ） (2025-09-02T14:44:43Z)
• Multi-modal Vision Pre-training for Medical Image Analysis [11.569448567735435]
  自己教師型学習は、実世界のアプリケーションに対するトレーニングデータ要求を抑えることにより、医療画像解析を大いに促進してきた。 我々は,3つの代用タスクによる新しいマルチモーダル画像事前学習を行い,相互モダリティ表現と相関の学習を容易にする。 Dice Scoreは6つのセグメンテーションベンチマークで0.28%-14.47%改善し、4つの画像分類タスクで0.65%-18.07%向上した。
  論文  参考訳（メタデータ） (2024-10-14T15:12:16Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。