論文の概要: LiFUSE: Frequency-Spatial Unified Self-Supervised Pretraining for Liver Disease Analysis on Non-contrast CT

• arxiv url: http://arxiv.org/abs/2610.18243v1
• Date: Tue, 13 Oct 2026 12:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.60963
• Title: LiFUSE: Frequency-Spatial Unified Self-Supervised Pretraining for Liver Disease Analysis on Non-contrast CT
• Title（参考訳）: LiFUSE:非コントラストCTにおける肝疾患解析のための周波数・空間統合型セルフスーパートレーニング
• Abstract要約: 肝周波数・空間統一型セルフスーパーバイザードプレトレーニング(LiFUSE) 肝周波数・空間統合型自己監督型事前トレーニング(LiFUSE)を提案する。
• 参考スコア（独自算出の注目度）: 25.104104792990128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given the growing global burden of liver tumors and diffuse liver diseases, non-contrast computed tomography (NCCT) is increasingly used for opportunistic screening because of its low cost and favorable safety profile. However, downstream tasks such as tumor detection and fine-grained disease diagnosis remain challenging due to NCCT's inherently low tissue contrast, lack of hemodynamic enhancement, and complex anatomical background. These limitations make subtle, heterogeneous, and multifocal hepatic lesions difficult to identify. Although large-scale self-supervised pretraining can learn robust representations from unlabeled NCCT scans, conventional voxel-wise reconstruction does not fully exploit the complementary information available in NCCT. Under weak NCCT contrast, low-level intensity patterns become less informative for pathology recognition, limiting the capture of lesion-specific discriminative features. In this paper, we propose the Liver Frequency-Spatial Unified Self-Supervised Pretraining (LiFUSE). The frequency branch applies random band-stop masking and spectrum reconstruction to encourage the model to capture subtle differences between lesions and surrounding tissues, while the spatial branch performs hybrid-granularity masked volumetric reconstruction to accommodate lesions of diverse sizes and morphologies. Finally, a cross-domain consistency scheme couples the spatial and frequency branches, yielding more discriminative representations for hepatic structures and lesions. Extensive experiments on three clinically relevant tasks across internal cohorts and a public target-domain transfer setting show that LiFUSE consistently outperforms strong baselines. These results suggest that unified frequency-spatial learning can improve liver disease analysis on NCCT, highlighting its potential for large-scale screening.
• Abstract（参考訳）: 肝腫瘍やびまん性肝疾患の世界的な負担が増大する中,非コントラストCT(non-contrast Computed Tomography, NCCT)は, 安価で良好な安全プロファイルのため, 検診に用いられている。 しかし, 腫瘍検出や微細な疾患診断といった下流の課題は, NCCTの組織コントラストが本質的に低いこと, 血行動態の増強の欠如, 複雑な解剖学的背景により, 依然として困難である。 これらの制限は、微妙で、異質で、多焦点性肝病変を特定するのが困難である。 大規模な自己教師型事前訓練は、ラベルのないNCCTスキャンから堅牢な表現を学習することができるが、従来のボクセル単位での再構築は、NCCTで利用可能な補完情報を十分に活用していない。 NCCTとの対比では,低レベルの強度パターンは,病変特異的な識別特性の獲得を制限し,病理診断にはあまり役に立たない。 本稿では,LiFUSE(Liver Frequency-Spatial Unified Self-Supervised Pretraining)を提案する。 周波数枝はランダムなバンドストップマスクとスペクトル再構成を適用し、モデルが病変と周囲の組織との微妙な差異を捉えるように促し、空間枝は様々な大きさと形態の病変に対応するためにハイブリッド・グラニュラリティマスク付き容積再構成を行う。 最後に、クロスドメイン整合性スキームは、空間枝と周波数枝を結合し、肝構造と病変をより識別的に表現する。 内部コホートにまたがる3つの臨床的に関係のあるタスクに関する広範囲な実験と、LiFUSEが一貫して強いベースラインを上回っていることを示すパブリックターゲットドメイン転送設定である。 これらの結果から,広汎な周波数空間学習はNCCTの肝疾患解析を改善することが示唆され,大規模検診の可能性が示唆された。

関連論文リスト

• Whole-body CT attenuation and volume charts from routine clinical scans via evidence-grounded LLM report filtering [5.261511162432881]
  我々は,放射線学報告からの病理所見をフィルタリングするために,エビデンスと相互検証された大規模言語モデルアンサンブルを開発した。 5つのLDM(最初のフラグ構造レベルの異常候補)が冗長な報告証拠に根拠を置いている。 年齢,性別,コントラストの強化,獲得パラメータを考慮し,成人期の解剖学的構造106件について総合的な全身基準チャートを構築した。
  論文  参考訳（メタデータ） (2026-05-07T09:40:01Z)
• Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
  教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。 網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。 Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-24T01:09:05Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
  TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。 機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
  論文  参考訳（メタデータ） (2026-02-11T16:28:13Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• T-CACE: A Time-Conditioned Autoregressive Contrast Enhancement Multi-Task Framework for Contrast-Free Liver MRI Synthesis, Segmentation, and Diagnosis [5.9273237904788045]
  非造影MRI(NCMRI)から直接造影MRI(CEMRI)を合成するためのT-CACE(Time-Conditioned Autoregressive Contrast Enhancement)フレームワークを提案する。 T-CACEは、解剖学的先行情報と時間相情報を潜在表現に統一する条件付きトークン符号化(CTE)機構と、相間情報の流れを適応的に調節する動的時間認識型注意マスク(DTAM)の3つの中心的革新を導入している。 2つの独立した肝MRIデータセットの実験により、T-CACEは画像合成、セグメンテーション、病変において最先端の手法より優れていることが示された
  論文  参考訳（メタデータ） (2025-08-13T16:14:14Z)
• PLUS: Plug-and-Play Enhanced Liver Lesion Diagnosis Model on Non-Contrast CT Scans [21.598723671897766]
  PLUSは、任意の3DセグメンテーションモデルのためのNCCT画像のFLL解析を強化するプラグイン・アンド・プレイフレームワークである。 結果:PLUSは病変レベルF1スコアを5.66%,悪性度F1スコアを6.26%,良性度F1スコアを4.03%改善した。
  論文  参考訳（メタデータ） (2025-07-05T03:03:13Z)
• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。