論文の概要: Colorectal Cancer Segmentation with Adaptive Augmentation and Multi-Resolution Ensemble Models

• arxiv url: http://arxiv.org/abs/2609.38419v1
• Date: Tue, 29 Sep 2026 19:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.632226
• Title: Colorectal Cancer Segmentation with Adaptive Augmentation and Multi-Resolution Ensemble Models
• Title（参考訳）: Adaptive Augmentation と Multi-Resolution Ensemble Model を用いた大腸癌切除
• Abstract要約: 大腸癌は2番目に死亡率が高く,3番目に多いがんである。 CRC診断は生検後の病理組織学的評価に依存する。 本報告では,全スライディング組織像に対する自動セグメンテーションパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 4.554894288663752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer (CRC) is the second most deadly and third most common cancer, and the leading cause of death among gastrointestinal cancers. Early diagnosis is crucial for the treatment of this cancer and increasing the survival rates. Although CRC is more common in developed regions, its occurrence is also increasing in developing regions as well. CRC diagnosis relies on histopathology assessment post-biopsy. Automated deep learning algorithms can significantly reduce diagnosis time, enhancing efficiency and supporting timely clinical decisions. We present an automated segmentation pipeline for whole-slide histopathology images that labels tumor grades 1-3 and normal mucosa. It utilizes dense prediction transformers with various encoder backbones, overlapping patches, and test-time augmentation. An adaptive augmentation policy, guided by large language models, further improves training. Top models were ensembled via soft voting, and mask refining post-processing steps, Gaussian blurring, morphological closing, and connected components analysis. On a colorectal cancer grade dataset, our method improved the F1 score from 62.92 to 69.84. Code is available here: github.com/caglarmert/ICIP2025
• Abstract（参考訳）: 大腸癌は2番目に死亡率が高く,3番目に多いがんである。 早期診断は、このがんの治療と生存率の向上に不可欠である。 CRCは、先進地域では一般的であるが、発展途上国でもその発生が増加している。 CRC診断は生検後の病理組織学的評価に依存する。 自動ディープラーニングアルゴリズムは、診断時間を大幅に短縮し、効率を向上し、タイムリーな臨床的決定をサポートする。 腫瘍グレード1-3と正常粘膜をラベル付けした全スライディング組織像を自動分割するパイプラインを提案する。 様々なエンコーダバックボーン、オーバーラップパッチ、テストタイム拡張を備えた高密度予測トランスフォーマーを利用する。 適応的な拡張ポリシーは、大きな言語モデルによってガイドされ、トレーニングをさらに改善する。 最上位モデルは,ソフト投票,マスク精錬後処理ステップ,ガウス的曖昧化,形態的閉鎖,連結成分分析によってまとめられた。 大腸癌グレードデータセットではF1スコアを62.92から69.84に改善した。 コードはここで入手できる。 github.com/caglarmert/ICIP2025

関連論文リスト

• Lung nodule classification on CT scan patches using 3D convolutional neural networks [0.0]
  肺がんは世界中で最も一般的で致命的ながんの1つである。 肺癌の早期発見は重要な医学的課題である。 本研究は肺結節分類における3つの方法的改善について紹介する。 これらの技術の統合により、肺がん検出のための総合的な臨床診断支援システムにおける堅牢な分類サブシステムの開発が可能になる。
  論文  参考訳（メタデータ） (2026-02-13T09:26:32Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised Segmentation for MRI Rectal Cancer Staging [9.992841347751332]
  本研究の目的は, 胸部, 直腸, 直腸の領域を分節し, 組織学的にT期を予測できることである。 アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
  論文  参考訳（メタデータ） (2023-12-08T01:36:24Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
  膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。 提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。 以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T03:34:28Z)
• Automatic tumour segmentation in H&E-stained whole-slide images of the pancreas [2.4431235585344475]
  病気の検出とセグメンテーションの精度のバランスをとるために,マルチタスク畳み込みニューラルネットワークを提案する。 異なる解像度で29人の患者を対象にアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-01T22:05:15Z)
• Colorectal Cancer Segmentation using Atrous Convolution and Residual Enhanced UNet [0.5353034688884528]
  本研究では,従来のフィルタ以外に,多孔性畳み込みと残存接続を用いたCNN方式を提案する。 提案するatresunetはdice係数0.748の大腸癌分画のための digestpath 2019 challengeデータセットでトレーニングされた。
  論文  参考訳（メタデータ） (2021-03-16T19:20:20Z)
• Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
  CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。 深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。 本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。 この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
  論文  参考訳（メタデータ） (2020-10-08T15:14:34Z)
• Colorectal Polyp Segmentation by U-Net with Dilation Convolution [9.840695333927496]
  大腸癌(英:Colorectal cancer, CRC)は、アメリカ合衆国で最も一般的に診断されるがんの1つであり、がん死の原因となっている。 現在最も一般的な大腸ポリープ検出法は大腸内視鏡である。 大腸ポリープセグメンテーションのための新しいエンドツーエンドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2019-12-26T23:27:18Z)

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。