論文の概要: From Adult Renal Masses to Pediatric Wilms Tumors: Evaluating Cross-Domain Generalization of Kidney Lesion Segmentation on MRI

• arxiv url: http://arxiv.org/abs/2610.23568v1
• Date: Fri, 16 Oct 2026 14:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.977612
• Title: From Adult Renal Masses to Pediatric Wilms Tumors: Evaluating Cross-Domain Generalization of Kidney Lesion Segmentation on MRI
• Title（参考訳）: 成人腎腫瘤から小児ウィルムズ腫瘍へ : 腎病変のMRIにおけるクロスドメイン一般化の評価
• Abstract要約: 小児腫瘍学のためのディープラーニングセグメンテーションモデルは、しばしば小さな単一中心コホートで訓練される。 我々は,T1-またはT2-重み付き成人腎MRIの分節モデルを訓練し,健常成人試験セットと小児ウィルムス腫瘍コホートで評価した。 年齢,解剖,腫瘍型の違いにもかかわらず,成人訓練モデルではWilms腫瘍に対して有望な成績を示した。
• 参考スコア（独自算出の注目度）: 1.1242916489225798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning segmentation models for pediatric oncology are often trained on small, single-center cohorts, whereas much larger datasets exist for adult diseases, such as kidney cancer. Whether models trained on adult renal lesions generalize to pediatric Wilms tumors remains unclear. We trained a segmentation model on single-sequence T1- or T2-weighted adult kidney MRI and evaluated it on a held-out adult test set and a pediatric Wilms tumor cohort, where it was compared with a pediatric-specific nnU-Net. Segmentation performance was quantified using the Dice similarity coefficient (DSC) and 95th-percentile Hausdorff distance. On the adult test set, the model achieved a median DSC of 0.86 for renal lesions. On the pediatric cohort, the adult-trained model achieved a median DSC of 0.85 compared with 0.90 for the pediatric-specific model. Despite differences in age, anatomy, and tumor type, the adult-trained model showed promising performance on pediatric Wilms tumors, with only a modest difference in median DSC compared with the pediatric-specific model. However, non-inferiority could not be shown, highlighting the value of pediatric training data. In future work, a fine-tuning strategy could be explored.
• Abstract（参考訳）: 小児腫瘍学のための深層学習セグメンテーションモデルは、小さな単一中心コホートで訓練されることが多いが、腎臓がんのような成人疾患のためのデータセットはずっと大きい。 成人腎病変のモデルがWilms腫瘍に一般化するかどうかは不明な点が多い。 我々は,T1-またはT2-重み付き成人腎MRIの分節モデルを訓練し,健常成人試験セットと小児ウィルムス腫瘍コホートで評価し,小児特異的nnU-Netと比較した。 Dice similarity coefficient (DSC) と95パーセントのハウスドルフ距離を用いて, セグメンテーション性能を定量化した。 成人テストセットでは, 腎病変に対するDSCの中央値0.86が得られた。 小児コホートでは,成人訓練モデルの平均DSCは0.85で,小児特有のモデルでは0.90であった。 年齢,解剖,腫瘍型の違いにもかかわらず,成人訓練モデルでは,小児のウィルムス腫瘍に対して有望な成績を示した。 しかし、非劣等性は示されず、小児訓練データの価値を強調した。 今後の作業では、微調整戦略が検討される可能性がある。

関連論文リスト

• From Adults to Children: Benchmarking Foundation Models for Chest X-Ray Classification under Domain Shift [5.931399156681511]
  成人から小児の胸部X線分類における基礎モデルの一般化能力について検討した。 これは、一般的な成人から小児への評価設定の下で、複数の基礎モデルを比較する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-15T12:57:08Z)
• MRI-to-CT Synthesis With Cranial Suture Segmentations Using A Variational Autoencoder Framework [4.423530406936258]
  正常な頭蓋発達と縫合骨化の定量化は、成長関連脳疾患の診断と治療に不可欠である。 MRI(MRI)は、優れた軟組織コントラストを有する放射線フリースキャンを提供するが、CTとは異なり、MRIでは頭蓋縫合の解明、頭蓋骨密度の推定、頭蓋底成長の評価はできない。 本研究では、0.2～2歳児のT1強調MRIを合成CT(sCT)に変換するためのディープラーニング駆動パイプラインを提案する。 家庭内小児科データでは、SCTは99%の構造的類似性とFrechet開始距離が1.01である。
  論文  参考訳（メタデータ） (2025-12-29T23:09:59Z)
• TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood [1.1144337101638346]
  頭蓋骨,皮下脂肪,筋肉を3次元T1強調MRIから抽出する深層学習モデルTissUnetを提案する。 このモデルは155対のMRI断層撮影(CT)スキャンでトレーニングされ、9つのデータセットで検証された。
  論文  参考訳（メタデータ） (2025-06-06T01:21:34Z)
• Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy [0.0]
  本研究の目的は, 小児上腹部腫瘍におけるOAR (delineating organs-at-risk) のCTによる多臓器分割モデルを構築することであった。 Dice similarity Coefficient (DSC) 95% Hausdorff Distance (HD95) および平均表面距離 (MSD) を用いて評価した。 Model-PMC-UMCUは9つのOARのうち、0.95以上であり、脾臓と心臓は0.90から0.95の範囲であった。 胃と膵のDSC値は0.90未満であった。
  論文  参考訳（メタデータ） (2024-11-01T13:54:31Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。