論文の概要: KneePreM: Towards 3D Knee MRI Foundation Models via Large-Scale Unlabeled Pretraining and Label-Efficient Fine-Tuning
- arxiv url: http://arxiv.org/abs/2609.31461v1
- Date: Fri, 25 Sep 2026 16:11:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.484481
- Title: KneePreM: Towards 3D Knee MRI Foundation Models via Large-Scale Unlabeled Pretraining and Label-Efficient Fine-Tuning
- Title（参考訳）: KneePreM: 大規模未ラベル事前トレーニングとラベル効率の良いファインチューニングによる3D Knee MRIファウンデーションモデルを目指して
- Abstract要約: 膝特異的な3次元自己教師モデルであるKneePreMを開発した。
3D U-Netマスク付きオートエンコーダを4,791名から19,011名の未ラベル型変形性関節症イニシアチブ(OAI)MRIで予備訓練した。
- 参考スコア（独自算出の注目度）: 6.7778757582900555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Large volumes of unlabeled knee MRI scans are available across repositories but remain insufficiently leveraged. We developed KneePreM, a knee-specific 3D self-supervised model, and evaluated transfer and label efficiency for classification and segmentation. Methods: A 3D U-Net masked autoencoder was pretrained on 19,011 unlabeled Osteoarthritis Initiative (OAI) MRI series from 4,791 participants. Downstream fine-tuning used full and reduced training sets for fastMRI+ two-label classification (1,172 examinations), Arthroscopic Partial Meniscectomy (APM) eight-target classification (1,716 examinations), SKM-TEA segmentation (155 examinations), and APM segmentation (25 examinations). Baselines were random initialization and SuPreM. Deployment workflow was implemented with a Model Context Protocol interface. Evaluation metrics included balanced accuracy, F1 score, ROC AUC, PR AUC, and Dice score. Statistical analysis used bootstrap confidence intervals and paired bootstrap tests for classification and Wilcoxon signed-rank tests for segmentation. Results: KneePreM achieved higher full-data macro ROC AUC than both baselines for fastMRI+ and APM (all p < .001). For fastMRI+ classification, KneePreM achieved a ROC AUC of 0.722 using 50% of the training data, exceeding both full-data baselines. In APM classification, KneePreM reached a ROC AUC of 0.740 with 70% of the data, matching the full-data random baseline and outperforming SuPreM. For SKM-TEA segmentation, its 70%-data Dice of 0.838 exceeded the full-data random baseline (0.835) and both same-budget comparators. In APM segmentation, its 75%-data Dice of 0.746 exceeded the full-data random baseline (0.731) and both same-budget comparators. Conclusion: KneePreM improves transfer performance and label efficiency across knee MRI classification and segmentation tasks, particularly when labeled training data are limited.
- Abstract（参考訳）: 背景: 大量のラベルなし膝関節MRIスキャンはレポジトリ全体で利用可能だが、まだ十分に活用されていない。
膝特異的な3次元自己教師モデルであるKneePreMを開発した。
方法: 3次元U-Netマスク付きオートエンコーダを4,791名から19,011名の未ラベル型変形性関節症イニシアチブ(OAI)MRIシリーズで事前訓練した。
腹腔鏡下半月板切除術 (APM) 8目標分類 (1,716試験) SKM-TEA区分け (155試験) , APM区分け (25試験) を施行した。
ベースラインはランダム初期化とSuPreMである。
デプロイワークフローはModel Context Protocolインターフェイスで実装された。
評価基準は、バランスの取れた精度、F1スコア、ROC AUC、PR AUC、Diceスコアであった。
統計分析では、分類のためのブートストラップ信頼区間とペアブートストラップ試験、セグメンテーションのためのウィルコクソンサインランク試験を用いた。
結果: KneePreM は fastMRI+ と APM (すべて p < .001) のベースラインよりも高い全データマクロ ROC AUC を実現した。
高速MRI+の分類では、KneePreMはトレーニングデータの50%を使用してOC AUCの0.722を達成した。
APM分類では、KneePreMはデータの70%にあたる0.740のROC AUCに達し、全データのランダムなベースラインにマッチし、SuPreMを上回った。
SKM-TEAセグメンテーションでは、データDiceの70%が全データランダムベースライン(0.835)と同一予算コンパレータを上回った。
APMセグメンテーションでは、75%のデータDiceの0.746は、全データランダムベースライン(0.731)と、同じ予算のコンパレータを上回った。
結論: KneePreMは、特にラベル付きトレーニングデータに制限がある場合、膝MRI分類およびセグメンテーションタスク間の転写性能とラベル効率を改善する。
関連論文リスト
- Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing [1.160208922584163]
ディープラーニングモデルは内部分割でよく機能するが、ドメインシフトとデータセット-オリジンバイアスのため、組織間で失敗することがある。
両側乳房MRI腫瘍分類におけるこの障害モードについて検討した。
ラベルがデータセットの起源と完全に相関している故意に構築されたセットアップでは、外部精度がほぼ確実である。
MAMA-MIAでは、データセットの混合により、WaveViT-Smallでは0.8463/0.8625、EfficientNet-B3では0.8884/0.8994に精度が向上する。
論文 参考訳（メタデータ） (2026-07-21T03:51:53Z) - Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。
変形性膝関節症評価のために, 膝X線撮影を行った。
単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
論文 参考訳（メタデータ） (2026-04-22T07:12:04Z) - Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。
選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。
これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
論文 参考訳（メタデータ） (2026-04-20T00:57:31Z) - Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
本報告では, YOLOv11の合成増強の制御された評価法について述べる。
実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。
データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
論文 参考訳（メタデータ） (2026-02-20T03:02:36Z) - FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。
FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。
Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文 参考訳（メタデータ） (2026-01-22T01:34:39Z) - Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI [1.2560645967579729]
胸部・腹部領域のMRI画像におけるリアルタイム腫瘍追跡の課題について,データ不足の強い制約下での課題について検討した。
i)IMPACT類似度尺度による教師なし登録と(ii)SAM 2.1を利用した基礎モデルに基づくセグメンテーションの2つの補完戦略が検討された。
最終モデルは、微調整後の検証セット上で達成された最高Dice類似度係数に基づいて選択された。
論文 参考訳（メタデータ） (2025-10-29T21:57:12Z) - SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - 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) - AI in Lung Health: Benchmarking Detection and Diagnostic Models Across Multiple CT Scan Datasets [16.77038992770942]
肺癌スクリーニングのための人工知能(AI)モデルの開発には,CTデータセットと厳密なパフォーマンスベンチマークが必要である。
本研究は,DLCSデータセット(1,613例,2,487ノジュール)とLUNA16,LUNA25,NLST-3Dを含む外部データセットを用いた。
検出にはDLCS (DLCS-De) とLUNA16 (LUNA16-De) でmonAI RetinaNetモデルをトレーニングし,コンペティション・パフォーマンス・メトリック (CPM) を用いて評価した。
論文 参考訳（メタデータ） (2024-05-07T18:36:40Z) - Effect of Intensity Standardization on Deep Learning for WML
Segmentation in Multi-Centre FLAIR MRI [0.06117371161379209]
深層学習(DL)法は、MRIにおける白質病変(WML)のセグメンテーションにおいて、トレーニングデータから、スキャナーやアウト・オブ・ディストリビューション(OOD)であるセンターのデータに適用すると、性能が低下する。
これは翻訳と広範囲な採用にとって重要であり、これは現在のモデルが新しい機関のデータに容易に適用できないためである。
FLAIR(Multi-centre Fluid-Attenuated Inversion Recovery)MRIにおけるWMLセグメンテーションの前処理ステップとしてMRIの強度標準化手法を評価した。
論文 参考訳（メタデータ） (2023-07-07T20:51:38Z)
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。