論文の概要: From Slices to Volumes: Comparing 2D, 2.5D, and 3D Residual Networks for Pulmonary Nodule Malignancy-Risk Classification
- arxiv url: http://arxiv.org/abs/2610.35960v1
- Date: Sun, 25 Oct 2026 10:03:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.37269
- Title: From Slices to Volumes: Comparing 2D, 2.5D, and 3D Residual Networks for Pulmonary Nodule Malignancy-Risk Classification
- Title（参考訳）: スライスからボリュームへ:肺結節悪性度分類のための2D,2.5D,3D残像ネットワークの比較
- Abstract要約: 肺悪性度リスク分類のための2D,2.5D,3D残基ネットワークの比較を行った。
ラベルは、病理診断で確認された癌ではなく、放射線技師が診断した悪性腫瘍のリスクを反映している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Purpose: To compare 2D, 2.5D, and 3D residual networks for pulmonary nodule malignancy-risk classification and evaluate momentum-contrast pretraining, mild augmentation, and exclusion of indeterminate ratings. Methods: A retrospectively prepared LIDC-IDRI cohort contained 2,654 nodules labeled benign, indeterminate, or malignant using median radiologist ratings. Patient-disjoint splits comprised 1,876 training, 382 validation, and 396 test nodules. Representations included one axial slice, five neighboring slices, and a local CT volume. Each track evaluated a randomly initialized baseline, momentum-contrast pretraining followed by fine-tuning, and supervised training with mild augmentation. Checkpoints were selected by validation Macro-F1. The 2D experiments used three seeds; 2.5D and 3D results were single-run estimates. A separate binary experiment excluded indeterminate nodules. Results: Augmented models achieved test Macro-F1 values of $0.6134\pm0.0075$ for 2D, $0.6537$ for 2.5D, and $0.5403$ for 3D; the 2D uncertainty denotes population standard deviation across seeds. Corresponding accuracies were $0.6128$, $0.6869$, and $0.5455$. Augmentation improved Macro-F1 within every track, whereas the tested pretraining recipes reduced it. Binary Macro-F1 values were $0.8227$, $0.8664$, and $0.7554$, respectively. Conclusion: Augmented 2.5D achieved the highest observed performance. Differences in preprocessing, optimization, capacity, and replication limit attribution to dimensionality. Labels reflect radiologist-assessed malignancy risk rather than pathology-confirmed cancer. Code and experimental results are available at https://github.com/CT-DeepLearning-Team/CT-2D-2.5D-3D-DeepLearning.
- Abstract（参考訳）: 目的: 肺結節悪性度分類のための2D, 2.5D, 3D残基ネットワークを比較し, 運動量コントラスト前訓練, 軽度増強, 不定格付けの除外を評価した。
方法: 回顧的に作成したLIDC-IDRIコホートは, 良性, 不定性, 悪性の2,654個の結節を含む。
患者分離はトレーニング1,876回,検証382回,ノジュール396回であった。
表現は1つの軸スライス、5つの隣接スライス、および局所CTボリュームを含む。
各トラックは、ランダムに初期化ベースライン、運動量コントラスト事前訓練、微調整、軽度増強による教師ありトレーニングを評価した。
チェックポイントはMacro-F1の検証によって選択された。
2D実験では3つの種を用いており、2.5Dと3Dの結果は単走推定値であった。
別個のバイナリ実験では、未決定結節を除外した。
結果: 増強されたモデルでは2Dで0.6134\pm0.0075$、2.5Dで0.6537$、3Dで0.5403$のマクロ-F1値がテストされた。
定価は0.6128$、0.6869$、0.5455$である。
増量により各トラックでマクロF1が改善したが、テスト済みのレシピでは低下した。
バイナリマクロF1値は、それぞれ0.8227$、0.8664$、0.7554$である。
結論:Augmented 2.5Dは最高観測性能を達成した。
前処理、最適化、キャパシティ、複製制限の違いは次元性に起因する。
ラベルは、病理診断で確認された癌ではなく、放射線技師が診断した悪性腫瘍のリスクを反映している。
コードと実験結果はhttps://github.com/CT-DeepLearning-Team/CT-2D-2.5D-3D-DeepLearningで公開されている。
関連論文リスト
- M3-Score: Fidelity, Memorization and Coverage as Separate Axes for Evaluating Generative Radiology Image Models [0.0]
M3-ScoreはRadioDINO-s16に基づく評価フレームワークである。
BraTS脳MRIでは、忠実度軸が重度増加の5つの比較セットを指示した。
20倍のサンプルサイズで、平均M3値はFréchet Inception Distanceの2.52と比べて1.05倍に変化した。
論文 参考訳（メタデータ） (2026-09-27T17:10:15Z) - Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model [5.368430154049423]
3次元視覚言語基礎モデルでは、グリオーマ部分領域分割の指示誘導による洗練を行うことができる。
正しい、空白、矛盾するプロンプトに対する感度は、非特異的な後処理よりもテキスト依存の輪郭編集を示唆している。
論文 参考訳（メタデータ） (2026-08-05T20:17:02Z) - Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳（メタデータ） (2024-11-24T12:11:11Z) - Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on
Non-Contrast CT Compared to Expert Neuroradiologists [5.584243195984352]
経験豊富な3人の神経放射線学者は、各スキャンで虚血核を反映する低密度を個別に区分した。
NCCTからの専門家Aのセグメンテーションを予測するために,3次元CNNアーキテクチャを訓練し,最適化した。
CNNは、神経放射線学者に匹敵する精度の急性虚血性脳梗塞患者において、NCCTの低濃度虚血核を正確に記述する。
論文 参考訳（メタデータ） (2022-11-24T18:47:30Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - Supervised Contrastive Learning to Classify Paranasal Anomalies in the
Maxillary Sinus [43.850343556811275]
深層学習技術を用いて,MRI画像から副鼻腔系の異常を自動的に検出できる。
副鼻腔奇形分類における既存の深層学習法は、少なくとも1つの異常を診断するために用いられてきた。
コントラスト損失とクロスエントロピー損失を組み合わせた新しい学習パラダイムを提案する。
論文 参考訳（メタデータ） (2022-09-05T12:31:28Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - 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。