Fugu-MT 論文翻訳(概要): FD-AA: A Lightweight Focal-Diffuse And Attenuation-Aware Head for Incidental Abdominal Abnormality Detection in Chest CT

論文の概要: FD-AA: A Lightweight Focal-Diffuse And Attenuation-Aware Head for Incidental Abdominal Abnormality Detection in Chest CT

arxiv url: http://arxiv.org/abs/2609.36189v1
Date: Mon, 28 Sep 2026 19:54:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:46.978887
Title: FD-AA: A Lightweight Focal-Diffuse And Attenuation-Aware Head for Incidental Abdominal Abnormality Detection in Chest CT
Title（参考訳）: FD-AA : 胸部CTにおける偶発性腹部異常検出のための軽量焦点拡散・減衰認識ヘッド
Abstract要約: 凍結した3次元CTエンコーダに適応可能な軽量な臓器認識型分類ヘッドFD-AAを提案する。腹部7臓器では, Pillar-0のFD-AAがSOTA(State-of-the-art)の成績を示した。
参考スコア（独自算出の注目度）: 1.3204173480071513
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Routine chest CT captures upper-abdominal structures that may contain clinically relevant incidental abnormalities. Detecting these findings requires feature extraction from organs with different spatial extents and attenuation patterns. We propose FD-AA, a lightweight organ-aware classification head adaptable for frozen 3-D CT encoders. Within each organ, an attenuation-aware module preserves sparse focal evidence, while masked generalized-mean pooling captures diffuse anomaly patterns. In seven abdominal organs, FD-AA with Pillar-0 achieved state-of-the-art (SOTA) performance in both the CT-RATE test set (AUC = 0.798) and the external RAD-ChestCT dataset (AUC = 0.713). More specifically, FD-AA improved macro AUC/AP from 0.763/0.346 to 0.798/0.405 over direct classification using frozen Pillar-0 only (p = 0.034/0.016). Such performance gain generalizes across multiple frozen encoders (AUC improvement on MedicalNet +9.8%, CT-CLIP +14.7%, ResNet +3.7%), demonstrating the effectiveness of FD-AA across different feature representations. These results support the effectiveness of integrating focal-diffuse aggregation with explicit HU evidence for incidental abdominal abnormality detection.
Abstract（参考訳）: 胸部CTは臨床的に関連のある偶発性異常を含む上腹部構造を捉えている。これらの発見を検出するには、異なる空間範囲と減衰パターンを持つ臓器からの特徴抽出が必要である。凍結した3次元CTエンコーダに適応可能な軽量な臓器認識型分類ヘッドFD-AAを提案する。各臓器内では、減衰を意識したモジュールはスパース焦点の証拠を保存し、マスク付き一般化平均プールは拡散異常パターンをキャプチャする。 Pillar-0のFD-AAは、CT-RATEテストセット(AUC = 0.798)と外部RAD-ChestCTデータセット(AUC = 0.713)の両方で最先端(SOTA)性能を達成した。具体的には、FD-AAは凍ったピラー0のみ(p = 0.034/0.016)を使用して、マクロAUC/APを0.763/0.346から0.798/0.405に改善した。このような性能向上は、複数のフリーズエンコーダ(MedicalNet +9.8%、CT-CLIP +14.7%、ResNet +3.7%)で一般化され、異なる特徴表現におけるFD-AAの有効性を示す。以上より, 局所拡散凝集法とHU法を併用した腹腔内異常検出の有用性が示唆された。

関連論文リスト

Automated Distinction of Intimal and Medial Intracranial Arterial Calcification from CT Head [0.6157382820537719]
頭蓋内動脈石灰化症 (IACs) は, 造影CT検査では一般的である。頭部CT由来のセグメンテーションマスクからIACのサブタイプ分類を行うための3つの自動化手法について検討した。
論文参考訳（メタデータ） (2026-09-11T10:19:06Z)
Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文参考訳（メタデータ） (2026-07-23T09:59:30Z)
Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection [0.0]
CTアンギオグラフィーによる頭蓋内動脈瘤(IAs)の自動検出は,偽陽性率が高いことによる重篤な障害である。 SECT(Smooth Euler Characteristics Transform)を評価するプラグイン・アンド・プレイ・トポロジ対応の偽陽性削減フレームワークを提案する。 SECTは、方向認識法(AUC 0.68)よりもかなり優れた0.943のAUCを達成し、臨床成績の逆転を示す。
論文参考訳（メタデータ） (2026-07-06T16:56:17Z)
EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI [18.07144782374738]
EPRA U-NetはDWI画像の効率的かつ正確な梗塞分割のためのタスク固有統合アーキテクチャである。 EPRA U-Netは最先端のモデルに比べて優れた性能を得た。
論文参考訳（メタデータ） (2026-07-03T19:17:51Z)
ORACLE-CT: Anatomy-Aware Support Pooling for CT Classification [0.7901846308308808]
ORACLE-CTはエンコーダに依存しない解剖学的アグリゲーションフレームワークである。単一組織、複数組織連合、比較、ローカライズ、グローバルサポート戦略をサポートしている。 ORACLE-CTは、予測と解剖学的証拠の間の監査可能なリンクを維持しながら、識別と外的堅牢性を改善する。
論文参考訳（メタデータ） (2026-06-03T21:37:05Z)
A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文参考訳（メタデータ） (2025-08-19T14:41:22Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文参考訳（メタデータ） (2021-12-18T17:05:53Z)
Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文参考訳（メタデータ） (2020-06-09T00:40:35Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。