論文の概要: Synthetic training for long-tail haemorrhagic lesion segmentation in data-scarce settings
- arxiv url: http://arxiv.org/abs/2610.01542v1
- Date: Thu, 01 Oct 2026 12:12:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.106196
- Title: Synthetic training for long-tail haemorrhagic lesion segmentation in data-scarce settings
- Title（参考訳）: データ・スカース・セッティングにおけるロングテール出血性病変セグメンテーションのための合成トレーニング
- Abstract要約: 脳微小血腫 (CMBs) と皮質表層側副腎症 (cSS) は脳小血管疾患の画像マーカーである。
長い尾出血性病変の分節に対する総合的トレーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.266213653917487
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cerebral microbleeds (CMBs) and cortical superficial siderosis (cSS) are imaging markers of cerebral small vessel disease, but their automated segmentation is limited by the scarcity of positive cases and voxel-level annotations. We propose a synthetic training framework for long-tail haemorrhagic lesion segmentation that requires no real lesion annotations for training and leverages radiological description of the lesions. Starting from anatomical brain parcellations, the framework applies spatial augmentation and voxel resampling, procedurally inserts cSS and CMB labels using clinical priors on lesion location and morphology, and synthesises images through randomised intensity assignment, blurring, and Rician noise simulation. Models were trained on dynamically generated image-label pairs and evaluated against manual delineations in 10 cSS cases and 13 CMB cases. The proposed configurations outperformed classical filter baselines. For cSS, the hypointensity constrained model achieved higher AUPRC and AUROC than the Frangi filter (AUPRC: 0.284 vs 0.083; AUROC: 0.907 vs 0.731). For CMBs, explicit synthesis of blood vessels as lesion mimics improved performance over the classical baseline (AUPRC: 0.538 vs 0.004; AUROC: 0.999 vs 0.968). These results support our proposal as a feasible strategy for data-scarce haemorrhagic lesion segmentation.
- Abstract（参考訳）: 脳微小血腫 (CMBs) と皮質表層側副腎症 (cSS) は脳小血管疾患の画像マーカーであるが, 陽性症例やボキセルレベルのアノテーションの欠如により自動分節が制限される。
本研究は, 実際の病変アノテーションを必要とせず, 病変のX線学的記述を生かした, 長い尾出血性病変セグメンテーションのための総合的トレーニングフレームワークを提案する。
解剖学的な脳のパーセレーションから始め、このフレームワークは空間的増強とボクセル再サンプリングを適用し、病変の位置と形態に関する臨床的な先行情報を用いてcSSとCMBラベルを手続き的に挿入し、ランダムな強度割り当て、ぼかし、リッチノイズシミュレーションを通じて画像を生成する。
モデルは動的に生成された画像ラベルペアでトレーニングされ、10例のCSSケースと13例のCMBケースで手動の指示に対して評価された。
提案した構成は、古典的なフィルタベースラインよりも優れていた。
cSSの場合、低強度制約モデルはフランジフィルタよりもAUPRCとAUROCが高い(AUPRC:0.284 vs 0.083; AUROC:0.907 vs 0.731)。
CMBの場合、血管の病変としての明示的な合成は、古典的なベースライン(AUPRC:0.538 vs 0.004; AUROC:0.999 vs 0.968)よりも性能を向上させる。
以上の結果から,本提案が肝硬変の診断に有効であると考えられた。
関連論文リスト
- Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。
本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
論文 参考訳（メタデータ） (2026-09-20T11:08:19Z) - Scalable Clinical Data Infrastructure and Comparative ML Evaluation for Hospitalisation Risk Prediction in Elderly Patients with Multiple Long-Term Conditions using CPRD [15.680643140577393]
CPRD Aurum の高齢者に対する包括的タイムラインパイプラインを提案する。
時間グラフ畳み込みニューラルネットワーク(TG-CNN)をロジスティック回帰に対してベンチマークする。
以上より, 差別は, 臨床展開における不完全な基準であることが明らかとなった。
論文 参考訳（メタデータ） (2026-08-29T19:55:03Z) - Clinically-aligned ischemic stroke segmentation and ASPECTS scoring on NCCT imaging using a slice-gated loss on foundation representations [3.186130813218338]
ほとんどのディープラーニング手法は、ASPECTSスコアの基盤となる構造的解剖学的推論をモデル化することなく、ピクセルワイズセグメンテーションを行う。
本稿では,凍結したDINOv3バックボーンと軽量デコーダを組み合わせた臨床的に整合したフレームワークを提案する。
提案手法は,AISDにおけるDiceスコア0.6385を達成し,CNNや基礎モデルベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-02-27T12:12:24Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - 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) - Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。
3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。
予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
論文 参考訳（メタデータ） (2025-06-03T22:00:03Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳（メタデータ） (2024-01-29T12:56:11Z) - Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。
Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。
また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
論文 参考訳（メタデータ） (2023-05-29T15:51:31Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic
Stroke Onset Time [7.024121839235693]
急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。
原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。
臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
論文 参考訳（メタデータ） (2020-11-05T18:28:54Z)
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。