論文の概要: Acute Stroke Classification Using Asymmetric Data Standardization and Orthogonal-Focal Loss Optimized CNN-ViT Cross-Attention Fusion: A Multicenter External Validation Study

• arxiv url: http://arxiv.org/abs/2610.34529v1
• Date: Sun, 25 Oct 2026 19:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.629974
• Title: Acute Stroke Classification Using Asymmetric Data Standardization and Orthogonal-Focal Loss Optimized CNN-ViT Cross-Attention Fusion: A Multicenter External Validation Study
• Title（参考訳）: 非対称データ標準化と直交-焦点損失最適化CNN-ViTクロスアテンション融合を用いた急性ストローク分類 : マルチセンター外部検証研究
• Abstract要約: 現在のディープラーニングモデルは、外部検証における“ショートカット学習”とドメインシフトに悩まされている。 本研究では, 放射線緊急トリアージを模倣した階層型コンピュータ支援診断システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background/Objectives: Rapid differentiation of ischemic and hemorrhagic stroke subtypes is vital for acute management. Although current deep learning models achieve high single-dataset accuracy, they suffer from "shortcut learning" and domain shift in external validation. This study proposes a hierarchical computer-aided diagnostic (CAD) system mimicking emergency triage. Methods: We introduce a 3-channel Radiology-Focused Preprocessing pipeline that feeds radiological Hounsfield Unit (HU) windows into Convolutional Neural Network (CNN) and Vision Transformer (ViT) backbones via asymmetric formats (.mat and .png). The architecture utilizes a novel joint cross-attention fusion network optimized by an Integrated Orthogonal-Focal Loss. Results: Our system achieved a 95.48% F1-score on the internal stroke dataset. However, multi-center external validation (AISD, BHSD, PhysioNet) using a Mask Anchor filter revealed a drop to the 58-62% range, exposing the "internal validation illusion" caused by hardware noise. Critically, models exhibited high precision (77%) but low sensitivity (57%) for ischemic stroke, proving prone to hemorrhage overdiagnosis. Multi-seed variance analysis demonstrated that the DenseNet201+ViT backbone yielded the lowest deviation (0.59) and highest stability, making it the most reliable architecture for real-world clinical integration. Conclusions: To overcome diagnostic challenges, future research must focus on multimodal architectures that combine 3D volumetric extraction with clinical data.
• Abstract（参考訳）: 背景/対象:急性管理には虚血性脳梗塞と出血性脳梗塞の早期分化が不可欠である。 現在のディープラーニングモデルはシングルデータセットの精度が高いが、それらは“ショートカット学習”と、外部の検証におけるドメインシフトに悩まされている。 本研究では,緊急トリアージを模倣した階層型コンピュータ支援診断システムを提案する。 方法: 非対称フォーマット (.mat と .png) を介して,無線ハウンズフィールドユニット (HU) ウィンドウを畳み込みニューラルネットワーク (CNN) と視覚変換器 (ViT) のバックボーンに供給する,3チャンネルのラジオロジー焦点前処理パイプラインを導入する。 このアーキテクチャは、統合直交-焦点損失に最適化された新しい連接型核融合ネットワークを利用する。 結果: 本システムは脳卒中データセットで95.48%のF1スコアを達成した。 しかし、Mask Anchorフィルタを用いたマルチセンター外部検証(AISD, BHSD, PhysioNet)は58-62%の範囲に低下し、ハードウェアノイズによる「内部検証錯覚」が露呈した。 臨床的には, 虚血性脳梗塞に対して高い精度 (77%) と低感度 (57%) を呈し, 出血過剰診断の可能性が示唆された。 マルチシード分散分析により、DenseNet201+ViTバックボーンは、最も低い偏差(0.59)と高い安定性を示し、実際の臨床統合のための最も信頼性の高いアーキテクチャとなった。 結論: 診断上の課題を克服するためには,3次元容積抽出と臨床データを組み合わせたマルチモーダルアーキテクチャに重点を置く必要がある。

関連論文リスト

• Unsupervised Metal Artifact Reduction in Dental CBCT using Fine-tuned Cycle-Consistent Adversarial Networks [0.0]
  歯科インプラントにより生成された金属遺物は, コーンビームCT(CBCT)ボリュームを著しく低下させた。 高忠実度復元に最適化されたCycleGAN(Cycle-Consistent Adversarial Network)を用いた金属アーチファクト削減(MAR)のための教師なしディープラーニングフレームワークが提案されている。 このアーキテクチャは、U-NetベースのジェネレータとPatchGAN識別器を統合しており、特に、発生幻覚を緩和し、形態的整合性を維持するために調整されている。
  論文  参考訳（メタデータ） (2026-07-23T06:55:02Z)
• Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection [0.0]
  CTアンギオグラフィーによる頭蓋内動脈瘤(IAs)の自動検出は,偽陽性率が高いことによる重篤な障害である。 SECT(Smooth Euler Characteristics Transform)を評価するプラグイン・アンド・プレイ・トポロジ対応の偽陽性削減フレームワークを提案する。 SECTは、方向認識法(AUC 0.68)よりもかなり優れた0.943のAUCを達成し、臨床成績の逆転を示す。
  論文  参考訳（メタデータ） (2026-07-06T16:56:17Z)
• Anatomically-conditioned Latent Diffusion Model for Data-Efficient Few-Shot Cross-Domain 3D Glioma MRI Synthesis [1.4312099612976772]
  解剖学的条件付き潜在拡散モデル(ALDM)は,データ効率,少数ショットMRI合成のための新しいフレームワークである。 ターゲット画像は16枚しかなく、極端に数発の撮影で評価された。
  論文  参考訳（メタデータ） (2026-06-24T04:42:42Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。