論文の概要: FORESEE-MS: Toward Prospective Spatial Forecasting of Future Multiple Sclerosis Lesions from Baseline FLAIR MRI

• arxiv url: http://arxiv.org/abs/2610.36428v1
• Date: Tue, 27 Oct 2026 00:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.212238
• Title: FORESEE-MS: Toward Prospective Spatial Forecasting of Future Multiple Sclerosis Lesions from Baseline FLAIR MRI
• Title（参考訳）: FORESEE-MS : Baseline FLAIR MRIによる将来の多発性硬化病変の空間予測に向けて
• Abstract要約: 本研究は, FLAIR MRIを用いて, 集団レベルの空間パターンを超えて, 将来の病変形成のリスクのある領域を同定できるかどうかを考察する。 FORESEE-MSは、折りたたみ型個体群優先アトラスをベースラインとして使用する評価プロトコルである。 我々は,MSSEG-2データセットを用いて,39名の被験者に対して5倍のクロスバリデーションを用いた5つのディープラーニングモデルの評価を行った。
• 参考スコア（独自算出の注目度）: 4.3748379918040845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional multiple sclerosis (MS) image analysis has primarily focused on retrospectively detecting and segmenting lesions. This study investigates whether baseline FLAIR MRI can identify regions at risk for future lesion formation beyond population-level spatial patterns. We introduce FORESEE-MS, an evaluation protocol that uses a fold-specific population-prior atlas as a baseline and assesses predictions using pooled voxel-level discrimination (AUROC and AUPRC) and within-patient lesion localization (Recall@Top-K%), with patient-level bootstrap confidence intervals. We evaluated five deep learning models (3D U-Net, Attn+ResBlock+VAE, ViT, and two SwinUNETR variants) using 5-fold cross-validation on 39 subjects from the MSSEG-2 dataset. The atlas achieved the highest pooled voxel-level AUROC and AUPRC, with no deep learning model reliably outperforming it on either metric. However, the 3D U-Net and Attn+ResBlock+VAE achieved higher mean voxel-level within-patient Recall@Top-K% than the atlas at all evaluated thresholds, although most paired confidence intervals for the differences included zero. These findings suggest that baseline FLAIR may contain patient-specific predictive information, but in this small cohort, it remains uncertain whether this information improves lesion forecasting beyond a population-prior atlas.
• Abstract（参考訳）: 従来の多発性硬化症(MS)の画像解析は、主に振り返りによる病変の検出と分節に焦点を当てている。 本研究は, FLAIR MRIを用いて, 集団レベルの空間パターンを超えて, 将来の病変形成のリスクのある領域を同定できるかどうかを考察する。 FORESEE-MSは,折りたたみ型個体群優先アトラスをベースラインとして,プールドボキセルレベルの差別(AUROCとAUPRC)と患者レベルのブートストラップ信頼区間を有する患者内病変の局所化(Recall@Top-K%)を用いて予測する評価プロトコルである。 深層学習モデル(3D U-Net, Attn+ResBlock+VAE, ViT, 2つのSwinUNETR変種)をMSSEG-2データセットから39名の被験者に対して5倍のクロスバリデーションを用いて評価した。 アトラスは、どちらの指標でも確実に優れた深層学習モデルを持たず、最も高いボクセルレベル AUROC と AUPRC を達成した。 しかし, 3D U-Net と Attn+ResBlock+VAE は, 平均ボクセルレベルのリコール@Top-K% を, すべての評価閾値においてアトラスよりも高い値を示した。 以上の結果から,FLAIRは患者固有の予測情報を含む可能性が示唆された。

関連論文リスト

• CF-NODE: Counterfactual Spatial Node Intervention for Test-Time Adaptation Under Domain Shift, Evaluated Across Five Diabetic Retinopathy Datasets [0.5156484100374058]
  CF-NODE(CF-NODE)は、クロスドメイン糖尿病網膜症における新規なテスト時間適応フレームワークである。 幾何学的ビューと固定されたソース由来の事前ビューのみを使用して、すべてのイメージを独立に適応する。 DR重度レベルを越えて、よりバランスの取れた認識とともに、より強力なグレードの識別を提供する。
  論文  参考訳（メタデータ） (2026-10-15T12:44:10Z)
• Med-AR: Autoregressive Vision-Language Pretraining for Long-Tailed Chest X-Ray Classification and Uncertainty-Aware Evaluation [0.005149030930066386]
  長い尾の胸部X線分類は、一般的な異常と微妙で稀な発見の両方を捉える視覚的表現を必要とする。 本稿では,Med-AR-8BとMed-AR-2Bを提案する。 コントラスト付き,自己監督型,教師付き事前学習型エンコーダに対して,視覚的エンコーダのマルチラベル分類への移行を評価する。
  論文  参考訳（メタデータ） (2026-09-24T07:32:26Z)
• Explainable Diabetic Retinopathy Classification Using Vision Foundation Models [0.3563504400596782]
  糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり、正確で信頼性の高い自動スクリーニングの必要性が生じる。 本研究は,視覚基盤モデルと多変速学習戦略を用いた説明可能なDR分類フレームワークについて検討する。
  論文  参考訳（メタデータ） (2026-08-28T11:26:43Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• 3D MRI-Based Alzheimer's Disease Classification Using Multi-Modal 3D CNN with Leakage-Aware Subject-Level Evaluation [2.905651880068545]
  深層学習は、構造MRIからアルツハイマー病を分類するための重要なツールとなっている。 本研究はアルツハイマー病分類のための多モード3D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） (2026-03-18T03:00:30Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)

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。