論文の概要: Anatomy-Aware Prediction of Bronchoscopic Accessibility from 3D CT

• arxiv url: http://arxiv.org/abs/2609.37386v1
• Date: Tue, 29 Sep 2026 12:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.489179
• Title: Anatomy-Aware Prediction of Bronchoscopic Accessibility from 3D CT
• Title（参考訳）: 3次元CTによる気管支内視鏡的アクセシビリティの解剖学的予測
• Abstract要約: 気管支鏡によるアクセシビリティ予測を新しい教師付き学習課題として定式化する。 術前CT検査を施行し, 術後経過を報告した438例の1例を経験したので報告する。 提案手法はAUROCの0.8052を達成し、最先端のベースラインと経験豊富な人間専門家の両方を著しく上回っている。
• 参考スコア（独自算出の注目度）: 6.330876843418874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-operative planning for bronchoscopy is critical for the diagnosis of lung lesions. Current accessibility assessment relies on subjective manual inspection of CT scans, which is time-consuming and prone to inter-observer variability. In this paper, we formalize bronchoscopy accessibility prediction as a novel supervised learning task and present the first end-to-end framework to address it. We propose an Anatomy-Aware Mixture-of-Experts (MoE) model that integrates specialized modules: a CT Expert for local morphological features, a Lobe Expert for anatomical priors, and a Path Geometry Expert that encodes the sequential constraints of the bronchial tree. To support this task, we curated the first clinical dataset of 438 cases with pre-operative CT scans and documented procedural outcomes. Experimental results demonstrate that our method achieves an AUROC of 0.8052, significantly outperforming both state-of-the-art baselines and experienced human experts. This work establishes a new benchmark for computer-aided interventional planning in pulmonary medicine. Our data and code will be publicly available at https://nubagcilab.github.io/BronchoAccess/.
• Abstract（参考訳）: 気管支鏡検査の術前計画は肺病変の診断に重要である。 現在のアクセシビリティ評価は、CTスキャンの主観的手動検査に依存している。 本稿では,気管支鏡によるアクセシビリティ予測を新しい教師付き学習課題として形式化し,それに対応する最初のエンドツーエンドフレームワークを提案する。 本稿では, 局所形態学的な特徴を持つCTエキスパート, 解剖学的な前駆体のLobeエキスパート, 気管支の逐次的制約を符号化するPath Geometry Expertという, 特殊なモジュールを統合した解剖学・知識混合(MoE)モデルを提案する。 この課題を支援するため,術前CT検査を施行し,手続き的成果を文書化した438症例の最初の臨床データセットを収集した。 実験の結果,AUROCの精度は0.8052であり,最先端のベースラインと経験者の両方に優れていた。 本研究は、肺医学におけるコンピュータ支援介入計画のための新しいベンチマークを確立する。 私たちのデータとコードはhttps://nubagcilab.github.io/BronchoAccess/で公開されます。

関連論文リスト

• Predicting the risk of colorectal anastomotic leak based on preoperative mapping of the blood supply of the bowel [0.5833117322405447]
  大腸癌術後最も重篤な合併症の1つである。 術前に無症候性漏出のリスクを予測するためのCT法は存在しない。
  論文  参考訳（メタデータ） (2026-06-01T12:20:43Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Self-adaptive vision-language model for 3D segmentation of pulmonary artery and vein [18.696258519327095]
  本稿では,言語誘導型自己適応型クロスアテンション・フュージョン・フレームワークを提案する。 提案手法は,3次元CTスキャンのセグメンテーションを生成するための強力な特徴抽出器として,事前訓練したCLIPを採用している。 これまでで最大の肺動脈ベインCTデータセットである局所的データセットを用いて,本手法を広範囲に検証した。
  論文  参考訳（メタデータ） (2025-01-07T12:03:02Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Airway Label Prediction in Video Bronchoscopy: Capturing Temporal Dependencies Utilizing Anatomical Knowledge [0.0]
  本稿では,気管支鏡画像データのみを取り入れたナビゲーションガイダンスについて述べる。 気道樹の解剖学的制約を最大限に活用する。 我々は、個々のフレームに基づく分類において、0.81と比較して、最大0.98まで精度を向上することができる。
  論文  参考訳（メタデータ） (2023-07-17T08:26:36Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)

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。