論文の概要: Diffusion-Based Tumor Inpainting for Renal Segmentation under Clinical Data Scarcity

• arxiv url: http://arxiv.org/abs/2609.21698v1
• Date: Fri, 18 Sep 2026 12:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.084517
• Title: Diffusion-Based Tumor Inpainting for Renal Segmentation under Clinical Data Scarcity
• Title（参考訳）: 腎切開術における拡散型腫瘍描出法の検討
• Abstract要約: 正常CTで解剖学的に証明可能な腎腫瘍を合成する拡散型塗布フレームワークを提案する。 2.5Dと3Dの増大はDiceを維持しながら偽陽性を大幅に減少させることがわかった。 提案した2.5D法は, 計算コストの大幅な低減を図り, 全メートル法で完全な3D合成を実現する。
• 参考スコア（独自算出の注目度）: 3.4928706526563817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning segmentation of renal tumors requires large annotated datasets, yet clinical deployments typically offer only a handful of tumor-positive cases from the target site. We propose a diffusion-based inpainting framework that synthesizes anatomically plausible renal tumors within healthy CT scans, requiring no additional annotation, and provide the first systematic comparison of 2D, 2.5D, and full 3D (MAISI) synthesis strategies for this task. Training the diffusion model on public data (KiTS23, KIRC) and evaluating nnU-Net segmentation on a internal cohort across three low-data regimes, we find that 2.5D and 3D augmentation substantially reduce false positives (from $\sim$18--20\% to $\sim$3--6\%) while maintaining Dice, whereas 2D provides no consistent benefit. Crucially, the proposed 2.5D method matches full 3D synthesis on every metric at substantially lower computational cost, indicating that local volumetric consistency alone is sufficient for effective augmentation in data- and resource-scarce clinical settings.
• Abstract（参考訳）: 腎腫瘍のディープラーニングセグメンテーションは、大きな注釈付きデータセットを必要とするが、臨床展開は通常、ターゲット部位から少数の腫瘍陽性症例しか提供しない。 本研究は, 正常CTスキャンで解剖学的に可塑性腎腫瘍を合成し, 追加のアノテーションを要さず, 2D, 2.5D, フル3D (MAISI) 合成戦略を初めて体系的に比較したフレームワークを提案する。 公開データ上での拡散モデル(KiTS23, KIRC)の訓練と3つの低データ体制における内部コホート上のnnU-Netセグメンテーションの評価を行い, 2.5Dおよび3D拡張はDiceを維持しながら偽陽性($\sim$18-20\%から$\sim$3--6\%)を大幅に減少させるのに対し, 2Dは一貫した利益をもたらす。 2.5D法は, 実測値の完全3次元合成を計算コストを大幅に下げた上で, 局所的な容積の整合性だけではデータと資源を消費する臨床設定を効果的に増強するのに十分であることを示す。

関連論文リスト

• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• FOSCU: Feasibility of Synthetic MRI Generation via Duo-Diffusion Models for Enhancement of 3D U-Nets in Hepatic Segmentation [10.129958145676412]
  Duo-Diffusion は ControlNet を用いた3次元潜伏拡散モデルである。 高分解能で解剖学的にリアルな合成MRIボリュームと対応するセグメンテーションラベルを生成する。 空間的な一貫性と正確な解剖学的詳細を保証するために、セグメンテーション条件の拡散を用いる。
  論文  参考訳（メタデータ） (2026-03-31T07:09:51Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• 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)
• CT Perfusion is All We Need: 4D CNN Segmentation of Penumbra and Core in Patients With Suspected Ischemic Stroke [1.6836876499886009]
  本稿では,時間情報を完全に活用する4つの畳み込みを入力として利用する方法について検討する。 提案した4D mJ-Netを用いることで、ペニブラとコア領域の分割にそれぞれ0.53と0.23のDice係数が得られる。
  論文  参考訳（メタデータ） (2023-03-15T16:53:19Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis Classification [20.245580301060418]
  分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。 本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
  論文  参考訳（メタデータ） (2020-02-27T18:32:52Z)

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。