論文の概要: Complementary Roles of Radiomics and Foundation Representations in Renal Cell Carcinoma Classification: A Comparative Study of 2D and 3D CT Encodings

• arxiv url: http://arxiv.org/abs/2609.26463v1
• Date: Tue, 22 Sep 2026 14:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.688444
• Title: Complementary Roles of Radiomics and Foundation Representations in Renal Cell Carcinoma Classification: A Comparative Study of 2D and 3D CT Encodings
• Title（参考訳）: 腎細胞癌分類における放射線と基礎表現の相補的役割 : 2次元および3次元CTエンコーディングの比較検討
• Abstract要約: 放射能は構造された腫瘍記述子を提供するが、基礎表現は転写可能な画像特徴を提供する。 2次元MedVAE, 3次元MedVAE, および2次元クリアセルRCCと非クリアセルRCCとの融合を比較検討した。
• 参考スコア（独自算出の注目度）: 1.9643634367352913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate preoperative subtype classification of renal cell carcinoma (RCC) from contrast-enhanced computed tomography remains clinically challenging. Radiomics provides structured tumour descriptors, whereas foundation representations offer transferable image features. However, it remains unclear whether radiomics still adds value beyond pretrained representations, and how 2D and 3D MedVAE encoders compare in this setting. We compared handcrafted radiomics, 2D MedVAE, 3D MedVAE, and their fusion for binary clear-cell RCC versus non-clear-cell RCC classification on KiTS23 under a unified preprocessing pipeline. Concatenation, cross-attention, and gated fusion were evaluated as representative integration strategies, and radiomics feature importance was analysed to support decision-centric interpretability. Fusion consistently improved discrimination over image-only MedVAE branches. The best overall performance was achieved by 3D gated fusion, with an AUC of 82.7\%, outperforming the best 2D fusion model (79.6%), the radiomics baseline (74.4%), and the single-modality MedVAE branches. Ablation analysis further showed clear gains of the full fusion model over both image-only and radiomics-only variants, indicating complementary contributions from radiomics and image representations. These findings suggest that radiomics remains relevant for RCC CT classification in the presence of foundation representations, and that its integration with MedVAE is more effective in the 3D setting. More broadly, the study supports a complementary role for radiomics and foundation representations in clinically meaningful imaging decision support.
• Abstract（参考訳）: 造影CTによる腎細胞癌 (RCC) の正確な術前分類は, 臨床的に困難である。 放射能は構造された腫瘍記述子を提供するが、基礎表現は転写可能な画像特徴を提供する。 しかし、放射能がまだ事前訓練された表現以上の価値を付加するかどうかは不明であり、2Dおよび3D MedVAEエンコーダがこの設定でどのように比較されるかは定かではない。 我々は,2次元MedVAE,3次元MedVAE,および2次元クリアセルRCCとKiTS23上の非クリアセルRCCとの融合を,統合前処理パイプライン下で比較した。 結合,クロスアテンション,ゲート融合を代表的統合戦略として評価し,決定中心の解釈性をサポートするためにラジオミクスの特徴的重要性を分析した。 Fusionは画像のみのMedVAEブランチに対する差別を継続的に改善した。 AUCは82.7\%であり、最高の2D融合モデル(79.6%)、放射能ベースライン(74.4%)、単一モードのMedVAEブランチよりも優れていた。 アブレーション分析により、画像のみおよび放射能のみの変異体に対して完全な融合モデルが明らかとなり、放射能と画像表現の相補的な寄与が示された。 以上の結果から,基礎的表現の存在下でのRCCCT分類にラジオミクスが関与することが示唆され,MedVAEとの統合は3D設定においてより効果的であることが示唆された。 より広範に、この研究は、臨床的に有意な画像決定支援における放射線学と基礎的表現に補完的な役割を担っている。

関連論文リスト

• Radiomics--Foundation Fusion for Interpretable RCC Classification: Internal Benchmarking and Exploratory External Transfer [2.9671804743671566]
  造影CTによる腎細胞癌 (RCC) の正確な術前分類は, いまだに困難である。 本研究は, 基礎表現が手技による放射能への依存を軽減するか, あるいは, 解釈可能な腫瘍のキャラクタリゼーションの相補的ままであるかを評価する。
  論文  参考訳（メタデータ） (2026-09-22T15:25:59Z)
• Vision Foundation Models in Radiology: A Scoping Review of Data, Methodology, Evaluation and Clinical Translation [35.18016233072556]
  ビジョン基礎モデル(VFM)は、放射線画像のために開発が進んでいるが、その定義、開発、評価は相変わらず不均一である。 PRISMAScR Scoping review of peer-reviewed study described foundation model training dedicated on radiological imaging data。 トランスフォーマーベースのアーキテクチャと自己指導型事前訓練(特にマスク付き画像モデリング、コントラスト学習、マルチステージアプローチ)。 全体として、放射線学固有のVFMは、有望な転送性を示すが、臨床翻訳は、限られたデータ代表性、不均一なベンチマーク、不完全報告、配置指向評価の不足によって制限されている。
  論文  参考訳（メタデータ） (2026-07-08T10:01:33Z)
• 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)
• Cross Modality Image Translation In Medical Imaging Using Generative Frameworks [5.785096712074492]
  本研究は, 腫瘍画像における3次元I2I翻訳法の再現性, 標準化された比較評価である。 7つの生成モデル,3つの生成適応ネットワーク(GAN:Pix2Pix, CycleGAN, SRGAN)と4つの潜在生成モデル(Latent Diffusion Model, Latent Diffusion Model+ControlNet, Brownian Bridge, Flow Matching)を比較した。 その結果、GANは全てのタスクにおいて遅延生成モデルよりも優れており、SRGANは統計的に有意な優位性を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-05-13T15:41:44Z)
• Representation geometry shapes task performance in vision-language modeling for CT enterography [1.1999555634662633]
  腹部CT検査における視覚言語変換学習の初回研究について報告する。 スライスを埋め込むことで 分類学的疾患の評価が向上します 組織ごとのコントラストは、より広い空間カバレッジよりも重要である。
  論文  参考訳（メタデータ） (2026-04-14T17:56:23Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。