論文の概要: AlignUS: MRI-Guided Ultrasound Representation Learning for ALS Classification from Tongue Images

• arxiv url: http://arxiv.org/abs/2609.15285v1
• Date: Mon, 14 Sep 2026 09:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.211651
• Title: AlignUS: MRI-Guided Ultrasound Representation Learning for ALS Classification from Tongue Images
• Title（参考訳）: Alignus:舌画像からのALS分類のためのMRI誘導超音波表現学習
• Abstract要約: 舌の高分解能超音波(HRUS)は、球根の関与を評価するためのポータブルで低コストな代替手段を提供する。 本稿では,MRIからHRUSに基づく分類器へ解剖学的知識を伝達するクロスモーダルな知識蒸留フレームワークであるAlignusを提案する。 このモデルは4つの患者レベルのクロスバリデーションフォールドに集約された0.958の患者レベルのバランス精度、0.963のマクロF1、0.990のROC-AUCを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amyotrophic lateral sclerosis (ALS) is a progressive neurodegenerative disease in which early assessment remains challenging, particularly in low-resource settings where MRI is often unavailable. High-resolution ultrasound (HRUS) of the tongue offers a portable and low-cost alternative for evaluating bulbar involvement, but learning reliable diagnostic models is limited by small datasets and the difficulty of extracting robust representations from ultrasound alone. We propose AlignUS, a cross-modal knowledge distillation framework that transfers anatomical knowledge from MRI to a HRUS-based classifier while requiring only HRUS at inference time. The model combines classification loss, supervised contrastive learning, and feature-level distillation to align HRUS representations with MRI embeddings. AlignUS achieves a patient-level balanced accuracy of 0.958, macro-F1 of 0.963, and ROC-AUC of 0.990, aggregated across four patient-level cross-validation folds, with consistent improvements over HRUS baselines and cross-modal alternatives. These results demonstrate that MRI-derived supervision can substantially improve ultrasound-based ALS assessment while preserving low-cost, inference-time independence from MRI.
• Abstract（参考訳）: 筋萎縮性側索硬化症(Amyotrophic lateral sclerosis, ALS)は進行性神経変性疾患であり, 早期評価が困難である。 舌の高分解能超音波(HRUS)は、球根への関与を評価するためのポータブルで低コストな代替手段を提供するが、信頼性の高い診断モデルは、小さなデータセットによって制限され、超音波単独で堅牢な表現を抽出することが困難である。 本稿では,MRIからHRUSに基づく分類器へ解剖学的知識を伝達するクロスモーダルな知識蒸留フレームワークであるAlignusを提案する。 このモデルは、分類損失、教師付きコントラスト学習、特徴レベルの蒸留を組み合わせ、HRUS表現をMRI埋め込みと整合させる。 Alignus は 0.958 と 0.963 のマクロF1 と 0.990 のROC-AUC を 4 つの患者レベルのクロスバリデーションフォールドに集約し,HRUS のベースラインとクロスモーダルの代替品に一貫した改良を加えた。 以上の結果から,MRIによる超音波によるALS評価は,MRIからの低コスト・推定時間独立性を保ちながら大幅に改善できることが示された。

関連論文リスト

• How Far Has AI Come in Liver Fibrosis Staging? A Large-Scale Real-World Dataset and Benchmark [44.60966248233107]
  我々はMICCAI 2025 CARE-Liverチャレンジから派生した大規模データセットとベンチマークであるLiFSを紹介する。 LiFSは、様々な現実世界のスキャナーから、組織学的に確認されたアノテーションで完全なガドキシー酸の配列を提供する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-05-25T08:47:16Z)
• Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning [0.0]
  骨盤MRIと脳MRIの完全自動化・教師なし異常検出フレームワークの開発と評価を行った。 負の対数類似度に基づくトークン・サブプライムスコアと知覚的画像差を組み合わせて異常な証拠を推定した。 熱マップ解析の結果,検出された異常点と接地位置との間には強い空間的一致が認められた。
  論文  参考訳（メタデータ） (2026-05-23T14:44:31Z)
• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
  本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。 グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
  論文  参考訳（メタデータ） (2024-03-14T19:51:18Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Unpaired MRI Super Resolution with Contrastive Learning [33.65350200042909]
  深層学習に基づく画像超解像法は、余分なコストなしでMRIの解像度を改善することを約束する。 整列性高分解能(HR)と低分解能(LR)のMRI画像ペアが欠如しているため、教師なしのアプローチはMRI画像によるSR再構成に広く採用されている。 我々は,限られたHRデータでSR性能を向上させるために,コントラスト学習を用いたMRI SRアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-24T12:13:51Z)
• Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
  膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。 本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-11T22:41:52Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction [0.0]
  GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。 放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である 本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T21:39:11Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)

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。