論文の概要: CirrGuide: A Deep Cascaded Framework for Liver Cirrhosis Segmentation and Severity Classification from T2-Weighted MRI

• arxiv url: http://arxiv.org/abs/2609.14010v1
• Date: Sat, 12 Sep 2026 15:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.634073
• Title: CirrGuide: A Deep Cascaded Framework for Liver Cirrhosis Segmentation and Severity Classification from T2-Weighted MRI
• Title（参考訳）: CirrGuide:T2強調MRIを用いた肝硬変分離・重症度分類のためのディープカスケードフレームワーク
• Abstract要約: CirrGuideは肝硬変セグメンテーションと重症度分類のための深いカスケードフレームワークである。 アテンションU-Netデコーダを備えたResNet50エンコーダは、まず軟性硬変肝マスクを予測し、解剖学的先行として使用される。 公式のCirMRI600+ T2-weighted (T2W) 2Dスプリットでは、CirGuideは89.83%のDiceと84.14%のmIoUのセグメンテーション、69.58%の精度、61.55%のマクロF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 1.237556184089774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present CirrGuide, a deep cascaded framework for cirrhotic liver segmentation and severity classification. Cirrhosis causes progressive structural changes in the liver and can lead to serious clinical complications, making severity assessment important for disease monitoring and treatment planning. However, severity classification is challenging because imaging patterns are often subtle, spatially variable, and similar across adjacent stages. CirrGuide addresses this by explicitly linking localization with classification. A ResNet50 encoder with an Attention U-Net decoder first predicts a soft cirrhotic liver mask, which is then used as an anatomical prior in a ResNet50-based classification branch. This branch combines global multi-scale features with mask-guided attention-pooled regional features to classify Mild, Moderate, and Severe cirrhosis. On the official CirrMRI600+ T2-weighted (T2W) 2D split, CirrGuide achieves 89.83% Dice and 84.14% mIoU for segmentation, 69.58% accuracy and 61.55% macro F1-score for severity classification. Compared with segmentation-only, classification-only, and multi-task baselines, CirrGuide improves both localization and severity classification, demonstrating the benefit of using predicted cirrhotic liver masks as anatomical priors for cirrhosis analysis.
• Abstract（参考訳）: 肝硬変分節と重症度分類のための深いカスケードフレームワークであるCirGuideについて紹介する。 肝硬変は肝の進行的な構造変化を引き起こし、重篤な臨床合併症を引き起こす可能性があるため、重症度の評価は疾患のモニタリングや治療計画に重要である。 しかし、画像パターンが微妙で、空間的に変化し、隣接するステージにわたって類似しているため、重度分類は困難である。 CirrGuideは、ローカライゼーションと分類を明示的にリンクすることで、この問題に対処する。 Attention U-Netデコーダを備えたResNet50エンコーダは、まず柔らかい肝硬変マスクを予測し、その後ResNet50ベースの分類ブランチで解剖学的に使用される。 この分枝は、世界規模の多スケールの特徴とマスク誘導型注意プール型地域特徴を組み合わせることで、ミルド、モデレート、セベレ硬変を分類する。 公式のCirMRI600+ T2-weighted (T2W) 2Dスプリットでは、CirGuideは89.83%のDiceと84.14%のmIoUのセグメンテーション、69.58%の精度、61.55%のマクロF1スコアを達成した。 セグメンテーションのみ、分類のみ、マルチタスクベースラインと比較して、CirGuideは局所化と重症度の両方を改善し、予測された肝硬変マスクを肝硬変解析の解剖学的前駆体として使う利点を示す。

関連論文リスト

• 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)
• CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
  CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-18T15:21:34Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Large Scale MRI Collection and Segmentation of Cirrhotic Liver [1.3157208364269697]
  肝硬変は慢性肝疾患の最終段階であり,広範な線維化と結節再生を特徴とする。 肝硬変解析は, 形態変化と異種信号の特徴により, 重大な課題を呈している。 今回,628個の高分解能腹部MRI画像からなるCirrMRI600+について紹介する。
  論文  参考訳（メタデータ） (2024-10-06T20:24:41Z)
• Multi-Source and Multi-Sequence Myocardial Pathology Segmentation Using a Cascading Refinement CNN [0.49923266458151416]
  心筋組織の生存性を評価するために, セマンティックセグメンテーションを生成するMulti-Sequence Cascading Refinement CNN(MS-CaRe-CNN)を提案する。 MS-CaRe-CNNは、心筋組織の生存可能性を評価するためにセマンティックセグメンテーションを生成するのに適している。
  論文  参考訳（メタデータ） (2024-09-19T14:01:15Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers [2.055026516354464]
  SWTR-Unetと呼ばれるハイブリッドネットワークは、事前訓練されたResNet、トランスフォーマーブロック、共通のUnetスタイルのデコーダパスで構成されている。 Diceスコアが平均98-2%,MRIデータセットで81-28%,CTデータセットで97-2%,79-25%であったことから,提案したSWTR-Unetは肝病変と肝病変のセグメンテーションの正確なアプローチであることが判明した。
  論文  参考訳（メタデータ） (2022-01-26T14:52:23Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。