論文の概要: CarveMix-RC: Addressing Rare-Class Imbalance Through Lesion-Aware Synthetic Augmentation for Brain Metastasis Segmentation
- arxiv url: http://arxiv.org/abs/2609.35195v1
- Date: Mon, 28 Sep 2026 13:55:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 16:13:21.459167
- Title: CarveMix-RC: Addressing Rare-Class Imbalance Through Lesion-Aware Synthetic Augmentation for Brain Metastasis Segmentation
- Title（参考訳）: CarveMix-RC:脳転移分節に対する病変認識合成増強によるレアクラスの不均衡に対処する
- Abstract要約: BraTS-MET 2026 Task 1の課題は、4つの解剖学的に異なる腫瘍亜領域を含む臨床的に関連するセグメンテーションの問題である。
これらのうちRCセグメンテーションは,低頻度,不均一な術後出現,病変評価プロトコルが原因で特に困難である。
提案されたnnU-Netベースのフレームワークは、4つの補完的なコンポーネントを通してRCセグメンテーションを明示的に扱う。
- 参考スコア（独自算出の注目度）: 1.0827227990043378
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of post-treatment brain metastases is essential for treatment planning, longitudinal disease monitoring, and quantitative assessment of therapeutic response. The BraTS-MET 2026 Task 1 challenge introduces a clinically relevant segmentation problem involving four anatomically distinct tumor subregions: non-enhancing tumor core (NETC), surrounding non-enhancing FLAIR hyperintensity (SNFH), enhancing tumor (ET), and the resection cavity (RC). Among these, RC segmentation is particularly challenging because of its low prevalence, heterogeneous postoperative appearance, and lesion-wise evaluation protocol, leading conventional segmentation networks to prioritize dominant tumor classes during optimization. The proposed nnU-Net-based framework explicitly addresses RC segmentation through four complementary components: (i) RC-weighted Dice and Cross-Entropy optimization to alleviate class imbalance, (ii) anatomically consistent cavity augmentation to increase the diversity of postoperative cavity appearances, (iii) a residual encoder architecture for enhanced multi-scale feature learning, and (iv) lesion-aware morphological post-processing to suppress false-positive cavity predictions while preserving anatomically plausible structures. The framework is evaluated on the BraTS-MET 2026 Task 1 online validation benchmark. Among the evaluated configurations, the ensemble model (Residual Encoder nnU-Net + nnU-Net + RC-aware CarveMix) achieves the best performance, with lesion-wise Dice scores of 0.732, 0.752, 0.708, and 0.575 and corresponding NSD scores of 0.794, 0.798, 0.727, and 0.474 for ET, TC, WT, and RC, respectively. These experimental results show that integrating RC-aware optimization, anatomically consistent augmentation, and lesion-aware post-processing provides an effective strategy for improving rare resection cavity segmentation in post-treatment brain metastases.
- Abstract（参考訳）: 術後脳転移の正確なセグメンテーションは, 治療計画, 経時的疾患モニタリング, 治療効果の定量的評価に不可欠である。
BraTS-MET 2026 Task 1は、非エンハンシング腫瘍コア(NETC)、非エンハンシングFLAIRハイパーインテンシティ(SNFH)を取り巻く非エンハンシング腫瘍コア(SNFH)、拡張腫瘍(ET)、切除腔(RC)の4つの解剖学的に異なる腫瘍サブリージョンを含む臨床的に関連するセグメンテーション問題を導入する。
これらのうちRCセグメンテーションは,低頻度,不均一な術後出現,病変評価プロトコルが原因で特に困難であり,従来のセグメンテーションネットワークは最適化時に優越性腫瘍クラスを優先する。
提案されたnnU-Netベースのフレームワークは、4つの補完的なコンポーネントを通してRCセグメンテーションに明示的に対処する。
(i)クラス不均衡を緩和するためのRC重み付きダイスとクロスエントロピー最適化
(II)解剖学的に整合性のある空洞拡張は術後の空洞外観の多様性を増大させる。
三 マルチスケール特徴学習の強化のための残留エンコーダアーキテクチャ、及び
(4) 解剖学的に妥当な構造を保ちながら, 偽陽性の空洞予測を抑える病変認識後処理。
このフレームワークはBraTS-MET 2026 Task 1オンライン検証ベンチマークで評価されている。
評価された構成のうち、アンサンブルモデル(Residual Encoder nnU-Net + nnU-Net + RC-aware CarveMix)は、それぞれ0.732, 0.752, 0.708, 0.575、対応するNSDスコアが0.794, 0.798, 0.727, 0.474、ET, TC, WT, RCのそれぞれで最高の性能を達成する。
これらの実験結果から, RC-Awareの最適化, 解剖学的に一貫した拡張, 病変認識後処理が, 術後脳転移における希少切除腔の分節化を改善させる有効な方法となることが示唆された。
関連論文リスト
- Lightweight Vision Transformer-Based U-Net for Brain Tumor Segmentation from MRI [0.0]
本稿では,UNetの階層的特徴抽出機能と視覚変換器のグローバルコンテキストモデリングを組み合わせた軽量なビジョン変換器UNetを提案する。
提案アーキテクチャは,U-NetエンコーダデコーダフレームワークにコンパクトなViTボトルネックを組み込むことで,局所的特徴とグローバルな特徴の両方を効果的に学習することができる。
論文 参考訳（メタデータ） (2026-09-24T13:26:08Z) - 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) - Attention-gated U-Net model for semantic segmentation of brain tumors and feature extraction for survival prognosis [0.815557531820863]
グリオーマは、最も一般的な原発性脳腫瘍の1つで、攻撃性、予後、組織学的に大きく異なる。
本研究では,脳腫瘍のセグメンテーションを改善するために,R2U-NetをベースとしたTriplanar(2.5D)モデルを提案する。
論文 参考訳（メタデータ） (2026-02-14T07:48:58Z) - SegRap2025: A Benchmark of Gross Tumor Volume and Lymph Node Clinical Target Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma [37.82643168064292]
SegRap2025チャレンジは、画像センターとモダリティをまたいだセグメンテーションモデルの一般化性と堅牢性を高めることを目的としている。
本稿では,10名の参加チームによるソリューションの総合的な分析を行う。
論文 参考訳（メタデータ） (2026-01-28T13:11:12Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram [9.788176765955534]
冠動脈疾患(CAD)は死亡率の低下と患者の治療計画の改善に重要である。
冠状動脈リファインメントネットワーク(CASR-Net, Coronary Artery and Refinement Network)は, 画像前処理, セグメンテーション, 精細化の3段階からなるパイプラインである。
論文 参考訳（メタデータ） (2025-10-31T09:40:29Z) - 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) - LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Automatic and standardized surgical reporting for central nervous system tumors [0.2634932446012777]
本研究で提示したパイプラインは、堅牢で自動化されたセグメンテーション、MRシークエンス分類、標準化されたレポート生成を可能にする。
提案したモデルとメソッドは、CNS腫瘍解析のためのオープンソースのソフトウェアプラットフォームであるRaidionicsに統合され、現在、手術後解析専用のモジュールを含んでいる。
論文 参考訳（メタデータ） (2025-08-12T13:08:49Z)
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。