論文の概要: Assessing nnU-Net Generalization across Brain Tumor Populations in BraTS-GoAT 2026

• arxiv url: http://arxiv.org/abs/2609.15524v1
• Date: Mon, 14 Sep 2026 13:14:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.406646
• Title: Assessing nnU-Net Generalization across Brain Tumor Populations in BraTS-GoAT 2026
• Title（参考訳）: BraTS-GoAT 2026における脳腫瘍集団におけるnnU-Netの一般化の評価
• Abstract要約: BraTS-GoATは異種集団にわたって腫瘍の分節を評価する。 従来の3D nnU-Netを5倍のクロスバリデーションと1000エポックで1,351個のラベル付きケースで訓練した。 最後の予測器は、すべての折りたたみとテスト時間ミラーリングを平均化した。
• 参考スコア（独自算出の注目度）: 0.37331950863394864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: BraTS-GoAT evaluates tumor segmentation across heterogeneous populations. We trained a conventional 3D nnU-Net on 1,351 labeled cases using five-fold cross-validation and 1,000 epochs per fold. The final predictor averaged all folds and applied test-time mirroring. On pooled official validation, global DSC values were 0.7805, 0.8288, and 0.8854 for enhancing tumor (ET), tumor core (TC), and whole tumor (WT). Under matched fold-0 inference, mean regional Dice decreased from 0.9058 on source out-of-fold (OOF) cases to 0.8310 on pooled validation (difference--0.0747). Mirroring gave small single-fold gains but no clear ensemble benefit; a residual-encoder alternative reached 0.8282 mean Dice. In labeled OOF predictions, failure cases had substantially smaller reference ET volumes; after adjustment for ET and WT volume, lower Dice remained associated with more disconnected ET components and a smaller fraction of ET contained in the largest component.
• Abstract（参考訳）: BraTS-GoATは異種集団にわたって腫瘍の分節を評価する。 従来の3D nnU-Netを5倍のクロスバリデーションと1000エポックで1,351個のラベル付きケースで訓練した。 最後の予測器は、すべての折りたたみとテスト時間ミラーリングを平均化した。 検体検査では, 腫瘍(ET), 腫瘍コア(TC), 腫瘍全体(WT)が0.7805, 0.8288, 0.8854であった。 整合型フォールド0推論では, オフオブフォールド(OOF)では0.9058から, プールドバリデーションでは0.8310に減少した(差-0.0747)。 ミラーリングは小さなシングルフォールドのゲインを与えたが、明確なアンサンブルの利益は得られなかった。 ラベル付きOOF予測では、エラーケースはETボリュームがかなり小さく、ETボリュームとWTボリュームの調整後、Diceはより切断されたETコンポーネントと最大のコンポーネントに含まれるETのごく一部に関連付けられていた。

関連論文リスト

• LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation [45.86925813888675]
  肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。 ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。 LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
  論文  参考訳（メタデータ） (2026-09-08T21:49:56Z)
• A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
  MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。 画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
  論文  参考訳（メタデータ） (2026-08-17T08:11:25Z)
• Distilling CT Foundation Models into Editable Concept Bottlenecks for Lung Nodule Malignancy Prediction [0.0]
  我々は,2つの凍結CT基礎モデル表現を,放射線技師が定義した肺結節の8つの属性にマッピングする概念ボトルネックモデルを開発した。 モデルには、993ボクセルの結節中心のパッチを使用したCT-FMと、50mmの作物を用いた結節中心のコントラストエンコーダであるFMCIBが含まれていた。 概念の忠実度は5倍のクロスバリデードR2を用いて評価し,悪性度判定はAUROCを用いて評価した。
  論文  参考訳（メタデータ） (2026-08-08T01:54:03Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Development of a fully deep learning model to improve the reproducibility of sector classification systems for predicting unerupted maxillary canine likelihood of impaction [0.11726720776908518]
  本研究の目的は,セクター分類システムの内・間運用者を減らすための,完全深層学習モデルを開発することである。 DenseNet121は3つの異なるクラスで影響を受け、全体的な精度は76.8%であった。
  論文  参考訳（メタデータ） (2025-11-24T14:45:46Z)
• Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
  ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。 小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
  論文  参考訳（メタデータ） (2024-01-16T14:44:06Z)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。