論文の概要: Brain Metastases Segmentation for BraTS 2026 Task 1: A Multi-Architecture Comparison
- arxiv url: http://arxiv.org/abs/2609.24769v1
- Date: Mon, 21 Sep 2026 15:36:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.359415
- Title: Brain Metastases Segmentation for BraTS 2026 Task 1: A Multi-Architecture Comparison
- Title（参考訳）: BraTS 2026タスク1における脳転移のセグメンテーション:マルチアーキテクチャ比較
- Abstract要約: 脳転移は最も一般的な頭蓋内悪性腫瘍であり、原発性固形腫瘍の約30%で発生する。
自動セグメンテーションは治療計画とモニタリングに重要であるが、転移は1人の患者でしばしば小さく、数が多く、不均一である。
- 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: Brain metastases are the most common intracranial malignancy, occurring in roughly 30% of patients with primary solid tumors and carrying a median survival near 5.9 months. Automated segmentation is critical for treatment planning and volumetric monitoring, but metastases are frequently small, numerous, and heterogeneous in size within a single patient. We compare a plain nnU-Net baseline, a Residual Encoder Large (ResEncL) variant, region-based training, and a Primus transformer model for BraTS-METS 2026 Task 1, using patient-grouped cross-validation to prevent leakage from the longitudinal UCSD subset. Primus (label-based) is our strongest individual model by aggregate DSC/NSD, achieving 0.710/0.761 (ET), 0.742/0.785 (TC), 0.683/0.689 (WT), and 0.531/0.436 (RC). ResEncL trails Primus on aggregate DSC/NSD but achieves substantially higher lesion-wise F1 (e.g. ET: 0.452 vs. 0.052); a probability-averaging ensemble of the two only partially preserves ResEncL's F1 advantage (ET lesion-wise F1: 0.064). We further report three postprocessing and label-reconstruction pitfalls we believe generalize beyond this challenge. Code is available at https://github.com/mahdiislam79/BraTS_METS_2026.
- Abstract（参考訳）: 脳転移は頭蓋内悪性腫瘍の中で最も多く、原発性固形腫瘍の約30%で発生し、5.9カ月近く生存する。
自動セグメンテーションは、治療計画とボリュームモニタリングにおいて重要であるが、転移は1人の患者でしばしば小さく、数が多く、不均一である。
縦型UCSDサブセットからの漏洩を防止するために,患者グループによるクロスバリデーションを用いて,通常のnnU-Netベースライン,Residual Encoder Large (ResEncL) 変種,地域ベーストレーニング,BraTS-METS 2026 Task 1 の Primus 変圧器モデルを比較した。
Primus(ラベルベース)はDSC/NSDによる最強の個人モデルであり、0.710/0.761(ET)、0.742/0.785(TC)、0.683/0.689(WT)、0.531/0.436(RC)を達成している。
ResEncLは、集合DSC/NSD上でPrissを追尾するが、F1(例えば、ET: 0.452 vs. 0.052)がかなり高い。
さらに3つのポストプロセッシングとラベル再構成の落とし穴を報告します。
コードはhttps://github.com/mahdiislam79/BraTS_METS_2026で公開されている。
関連論文リスト
- Subtraction-Based Tumor Segmentation and Lesion-Centered pCR Prediction for the MAMA-MIA Challenge [0.0]
我々は,MAMA-MIAチャレンジへのチームFMEの提出について述べる。
原発性腫瘍の分節と病理学的完全反応の予測について検討した。
FMEは両部門で2位となった。
論文 参考訳（メタデータ） (2026-08-29T09:23:45Z) - 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) - Gaussian Meta-Space Augmentation for Stacking Ensembles in Multimodal IPMN Risk Stratification [12.244907298771585]
本稿では,コンバインダの対数確率メタ機能のクラス条件付きガウス拡張であるcUPMIを提案する。
cUPMIは、適切に正規化されたL2-論理的二分分類スタックに制限値を追加するが、常に高容量ツリーコンバインダを正規化する。
XGBoostにとって最も清潔な順序付けの利点は、XGBoostの8ストリームの放射能処理である。
論文 参考訳（メタデータ） (2026-08-11T22:17:32Z) - 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) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - 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) - MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI [0.0]
神経線維腫症1型(英: Neurofibromatosis type 1)は、多くの神経線維腫(NF)が全身に発達するのを特徴とする遺伝疾患である。
本研究では,この課題に合わせた対話型セグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2025-09-23T17:42:24Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。
これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。
我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。
SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
論文 参考訳（メタデータ） (2024-03-19T19:36:48Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳（メタデータ） (2020-10-30T14:36:10Z)
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。