論文の概要: Beyond In-Distribution Metrics: A Systematic Out-of-Distribution Evaluation of Congenital Heart Disease Segmentation

• arxiv url: http://arxiv.org/abs/2609.17068v2
• Date: Mon, 21 Sep 2026 13:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:28:59.880633
• Title: Beyond In-Distribution Metrics: A Systematic Out-of-Distribution Evaluation of Congenital Heart Disease Segmentation
• Title（参考訳）: In-Distribution Metricsを超えて:先天性心疾患分節の全身的アウト・オブ・ディストリビューション評価
• Abstract要約: CHDセグメンテーションにおけるアウト・オブ・ディストリビューションの一般化に関する最初の体系的評価について述べる。 我々は,CTとCMRの併用,CTのみの訓練,自己指導型事前訓練,ターゲットドメイン適応の限定による代表的セグメンテーションアーキテクチャの比較を行った。 分配性能はクロスコホートロバスト性の指標として不十分であることが証明されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Congenital heart disease (CHD) diagnosis and surgical planning often require patient-specific 3D anatomical models, but manual segmentation is labor-intensive, particularly in complex anatomies. Although deep-learning methods can automate this process, they are typically evaluated in-distribution, despite clinically relevant shifts in scanner, protocol, institution, population, and imaging modality. We present, to our knowledge, the first systematic evaluation of out-of-distribution (OOD) generalization in CHD segmentation, using ImageCHD as a held-out target cohort. We compare representative segmentation architectures under combined CT and CMR training, CT-only training, self-supervised pretraining, and limited target-domain adaptation. In-distribution performance proves to be a poor indicator of cross-cohort robustness: nnU-Net achieves the highest validation Dice (0.77) but falls to 0.51 on ImageCHD, while SwinUNETR generalizes substantially better, reaching 0.67 Dice. MAE and JEPA pretraining provide only modest additional benefit, suggesting that architecture contributes more to robustness than the tested pretraining strategies in this setting. When limited target-domain supervision is introduced, all SwinUNETR variants exceed 0.76 Dice with only 11 labeled ImageCHD cases. These findings demonstrate that conventional in-distribution evaluation can obscure clinically important generalization failures and support explicit cross-dataset testing as a key component of CHD segmentation evaluation.
• Abstract（参考訳）: 先天性心疾患(CHD)の診断と手術計画には、患者固有の3D解剖モデルを必要とすることが多いが、特に複雑な解剖学において、手動分割は労働集約的である。 ディープラーニング法はこのプロセスを自動化することができるが、一般的には、スキャナー、プロトコル、施設、人口、画像モダリティに臨床的に関係のある変化があるにもかかわらず、分布において評価される。 我々は,CHDセグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)の一般化に関する最初の体系的評価を,ImageCHDをホールドアウトターゲットコホートとして用いた。 我々は,CTとCMRの併用,CTのみの訓練,自己指導型事前訓練,ターゲットドメイン適応の限定による代表的セグメンテーションアーキテクチャの比較を行った。 nnU-Netは高いバリデーションDice (0.77)を達成しているが、ImageCHDでは0.51に落ち、SwinUNETRでは0.67Diceに到達している。 MAEとJEPA事前トレーニングは、この設定でテストされた事前トレーニング戦略よりも、アーキテクチャが堅牢性に寄与することを示唆している。 限定的なターゲットドメイン監視が導入されると、すべてのSwinUNETRの派生型は0.76Diceを超え、11のラベル付きImageCHDケースしか持たない。 これらの結果から,従来の分布内評価は臨床的に重要な一般化障害を曖昧にし,CHDセグメンテーション評価の重要な要素として明確なクロスデータセットテストをサポートする可能性が示唆された。

関連論文リスト

• CARDEA: Auditable Reasoning Grounded in Spatial Evidence for End-to-End Coronary Angiography Interpretation [0.0]
  既存のAIシステムは一貫性を向上させることができるが、監査可能な意思決定プロセスが欠如している。 我々はCAGパイプラインの推論コアとして機能する統合された大きな視覚言語モデルであるCARDEAを開発した。 CARDEAは、選択から研究レベルの診断を通じて、生のマルチビュービデオからエンドツーエンドのCAGパイプラインを実行する。
  論文  参考訳（メタデータ） (2026-09-07T02:01:27Z)
• 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)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images [23.05175906366438]
  Invasive Coronary Angiography (ICA) は冠動脈疾患の診断における臨床標準である。 本研究では,ICA画像の自動検出,病変,重症度推定のためのオープンソースフレームワークODySSeIを紹介する。 ODySSeIは、新しいピラミッド拡張スキーム(PAS)を用いて訓練された深層学習に基づく病変検出と病変分割モデルを統合する 我々のLSE技術は,MLDの予測値が,対応する基底真理からpm$2-3ピクセルしか差がないため,精度が高い。
  論文  参考訳（メタデータ） (2026-03-20T15:07:15Z)
• Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography [3.5333115085185614]
  硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。 マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。 我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-10T07:37:42Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• A Second-Order Attention Mechanism For Prostate Cancer Segmentation and Detection in Bi-Parametric MRI [1.8479558716666358]
  本研究は,csPCaの病変を検出するために,専用セグメンテーションネットワークをスキップ接続を介してガイドする2階幾何学的注意(SOGA)機構を導入する。 提案機構は標準のU-NetとnnU-Netのバックボーンに統合され、PI-CAIデータセットで検証された。
  論文  参考訳（メタデータ） (2025-11-07T23:07:19Z)
• CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram [9.788176765955534]
  冠動脈疾患(CAD)は死亡率の低下と患者の治療計画の改善に重要である。 冠状動脈リファインメントネットワーク(CASR-Net, Coronary Artery and Refinement Network)は, 画像前処理, セグメンテーション, 精細化の3段階からなるパイプラインである。
  論文  参考訳（メタデータ） (2025-10-31T09:40:29Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)

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。