論文の概要: RT-Super: Learning Tumor Segmentation from Longitudinal Images and Reports

• arxiv url: http://arxiv.org/abs/2609.35637v1
• Date: Mon, 28 Sep 2026 17:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:05:45.971175
• Title: RT-Super: Learning Tumor Segmentation from Longitudinal Images and Reports
• Title（参考訳）: RT-Super: 縦断画像から腫瘍の分節を学習し, その報告
• Abstract要約: 腫瘍セグメンテーションマスクは高価で、時間がかかり、公開データでは多くの腫瘍タイプで利用できない。 病院は、放射線学レポート、縦断画像、多相画像など、断片化をガイドできる膨大なデータを持っている。 腫瘍セグメンテーションのためのAIの訓練において,腫瘍マスクの代わりに手軽に利用できるデータを用いている。
• 参考スコア（独自算出の注目度）: 49.73378935988575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-tumor segmentation is important for early cancer detection and allows radiologists to visualize, verify, and understand AI predictions. However, tumor segmentation masks are expensive, time-consuming, and unavailable for many tumor types in public data. Instead, hospitals have vast, readily available data that can guide segmentation: radiology reports, longitudinal images, and multi-phase images. We use this readily available data to substitute for tumor masks in training AI for tumor segmentation. To this end, we propose a new architecture, RT-Super. It has a teacher network, which analyzes the patient's longitudinal images and reports to create high-quality tumor masks. These masks train a student network, which sees a single image and no report. At inference, when longitudinal images and reports are unavailable, we use the student. RT-Super uses a new CNN-Transformer architecture and novel Consistency Losses that exploit tumor location consistency across longitudinal images. We train RT-Super to segment esophagus, uterus and spleen tumors, which have few or no public masks. Even without training masks, RT-Super can segment these tumors and surpass public AI models. Overall, we demonstrate that learning from longitudinal images, multi-phase images, and reports can overcome mask scarcity and advance multi-cancer detection and segmentation. Code: https://github.com/MrGiovanni/RT-Super
• Abstract（参考訳）: 癌の早期発見には多腫瘍セグメンテーションが重要であり、放射線技師がAI予測を可視化し、検証し、理解することができる。 しかし、腫瘍セグメンテーションマスクは高価で、時間がかかり、公開データでは多くの腫瘍タイプで利用できない。 病院は、放射線学レポート、縦断画像、多相画像など、分類をガイドできる膨大なデータを持っている。 腫瘍セグメンテーションのためのAIの訓練において,腫瘍マスクの代わりに手軽に利用できるデータを用いている。 そこで我々はRT-Superという新しいアーキテクチャを提案する。 教師ネットワークがあり、患者の縦画像を分析して、高品質な腫瘍マスクを作成する。 これらのマスクは学生ネットワークを訓練し、単一の画像と報告がない。 推測では, 縦画像やレポートが利用できない場合には, 学生が利用する。 RT-Superは、新しいCNN-Transformerアーキテクチャと、長手画像間の腫瘍位置整合性を利用する新しいConsistency Lossesを使用している。 われわれはRT-Superをトレーニングし,食道,子宮,脾腫瘍を切除した。 トレーニングマスクなしでも、RT-Superはこれらの腫瘍を分類し、公開AIモデルを上回ることができる。 全体として,長手画像,多相画像,レポートからの学習がマスクの不足を克服し,マルチカメラ検出とセグメンテーションを進展させることを示した。 コード:https://github.com/MrGiovanni/RT-Super

関連論文リスト

• Report Supervision [20.131928083839096]
  レポートスーパービジョン(Report Supervision、R-Super)は、レポートを使用して腫瘍のセグメンテーションを直接監督し改善するトレーニングフレームワークである。 R-Superは、マスクのみのトレーニングに関して腫瘍検出F1スコアとセグメンテーションを最大15%増加させる。
  論文  参考訳（メタデータ） (2026-08-27T19:56:39Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• Learning Segmentation from Radiology Reports [46.073392569125375]
  CTスキャンにおける腫瘍のセグメンテーションは、診断、手術、予後のキーとなる。 しかし、セグメンテーションマスクは時間と専門知識を必要とするため、不足している。 本稿では,放射線学報告を腫瘍セグメンテーションAIのボクセル管理に転換するレポートスーパーロス(R-Super)を提案する。
  論文  参考訳（メタデータ） (2025-07-08T01:37:34Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Unsupervised Tumor-Aware Distillation for Multi-Modal Brain Image Translation [8.380597715285237]
  教師なしマルチモーダル脳画像翻訳は広く研究されている。 既存の方法は翻訳中の脳腫瘍の変形の問題に悩まされている。 UTAD-Netと呼ばれる教師なしの腫瘍対応蒸留教員ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-29T13:35:37Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)

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。