論文の概要: Integrating Local Detail and Global Context: A Dual-Input Multi-Task Learning Framework for Bone Tumor Diagnosis

• arxiv url: http://arxiv.org/abs/2609.28732v1
• Date: Wed, 23 Sep 2026 19:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.522747
• Title: Integrating Local Detail and Global Context: A Dual-Input Multi-Task Learning Framework for Bone Tumor Diagnosis
• Title（参考訳）: 局所的詳細とグローバルコンテキストの統合:骨腫瘍診断のための二重入力型マルチタスク学習フレームワーク
• Abstract要約: 本稿では,既存のシングルビューモデルの限界に対処するためのマルチタスク学習フレームワークを提案する。 我々は、YOLOベースの検出器を用いて関心領域を生成し、デュアルストリームNet121アーキテクチャへの入力としてフルイメージとペアリングする。 特徴は、階層的多スケール特徴融合によって洗練され、新しいクロスモーダルアテンション融合戦略によって統合される。
• 参考スコア（独自算出の注目度）: 6.060672815761177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Primary bone tumors are rare but clinically aggressive neoplasms whose diagnosis from radiographs is challenged by heterogeneous morphology, subtle lesion margins, and overlapping bone structures. To address the limitations of existing single-view models, we present a dual-input, multi-task learning framework that, to our knowledge, is the first to apply bidirectional cross-modal attention between a lesion crop and the full radiograph for joint segmentation and subtype classification. Using the multi-institutional Bone Tumor X-ray Radiograph Dataset (BTXRD, n=3,746), we employ a YOLO-based detector to generate regions of interest, which are paired with full images as inputs to a dual-stream DenseNet121 architecture. Features are integrated via a novel cross-modal attention fusion strategy, refined by Hierarchical Multi-scale Feature Fusion, effectively balancing fine-grained lesion detail with global anatomical context. Evaluated on a held-out patient-level test split, the model demonstrates superior performance over single-input baselines, achieving an overall Dice Similarity Coefficient of 0.896 and a macro-averaged classification F1-score of 0.928. Notably, the system exhibits exceptional sensitivity for malignant osteosarcoma (AUC 0.999), validating the potential of dual-stream context modeling to support radiologists in accurate, early decision-making.
• Abstract（参考訳）: 原発性骨腫瘍は稀ではあるが臨床的に攻撃的な腫瘍であり、X線写真からの診断には異質な形態、微妙な病変縁、重なり合う骨構造が課題である。 既存のシングルビューモデルの限界に対処するため,我々は,2つの入力型マルチタスク学習フレームワークを提案する。 複数施設の骨腫瘍X線画像データセット (BTXRD, n=3,746) を用いて, YOLO を用いた関心領域を生成し, デュアルストリームDenseNet121 アーキテクチャへの入力としてフルイメージとペアリングする。 特徴は、階層的多スケール特徴融合(Hierarchical Multi-scale Feature Fusion)によって洗練され、微細な病変の詳細をグローバルな解剖学的文脈と効果的にバランスさせる、新しいクロスモーダルアテンション融合戦略によって統合される。 本モデルでは, 単入力ベースラインよりも優れた性能を示し, 全体のDice類似度係数0.896, マクロ平均分類F1スコア0.928を達成した。 特に、このシステムは悪性骨肉腫(AUC 0.999)に対して異常な感受性を示し、より正確な早期意思決定において放射線技師を支援するための二重ストリームコンテキストモデリングの可能性を検証する。

関連論文リスト

• Multiple Myeloma Lesion Segmentation on Whole-Body Diffusion-Weighted Imaging via Efficient Anatomical Anticipation and Multimodal Confirmation [28.876740706448345]
  WB-DWIを用いたMM病変分割のための2段階フレームワークを提案する。 第1段階では,専用の骨ラベルを使わずに,ADC画像から骨ROI生成モデルを訓練する。 第2段階では、解剖誘導型マルチモーダルU-Netを提案する。
  論文  参考訳（メタデータ） (2026-09-05T16:08:29Z)
• UAM: A Unified Attention-Mamba Backbone of Multimodal Framework for Tumor Cell Classification [1.529342790344802]
  放射線学的特徴を用いた細胞レベル分類のためのUnified Attention-Mambaバックボーンを提案する。 細胞レベルでの分類と画像分割を共同で行うマルチモーダルなUAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T16:18:55Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• A Novel Multi-branch ConvNeXt Architecture for Identifying Subtle Pathological Features in CT Scans [1.2461503242570642]
  本稿では,医療画像解析の難題に特化して設計されたマルチブランチConvNeXtアーキテクチャを提案する。 提案モデルでは,厳密なデータ前処理から拡張まで,厳格なエンドツーエンドパイプラインを組み込んでいる。 実験結果から、最終的なROC-AUCは0.9937、バリデーション精度は0.9757、F1スコアは0.9825である。
  論文  参考訳（メタデータ） (2025-10-10T08:00:46Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。