論文の概要: DINOv2 for PET: A Pre-Training Domain Benchmark Across Classification, Segmentation, and Prognosis

• arxiv url: http://arxiv.org/abs/2610.40018v1
• Date: Thu, 29 Oct 2026 13:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:29:49.647942
• Title: DINOv2 for PET: A Pre-Training Domain Benchmark Across Classification, Segmentation, and Prognosis
• Title（参考訳）: DINOv2 for PET: 分類・分節・予後に関する事前学習ドメインベンチマーク
• Abstract要約: PET-DINOv2-2Dは2D PETで事前訓練された最初のDINOv2モデルである。 オープンソースエンコーダであるorigi-nal DINOv2とOmniRadに対してベンチマークを行った。 その利点は、ラベルが少ない場合に最大であり、PET事前学習によりより転送可能でラベル効率のよい機能が得られることを示唆している。
• 参考スコア（独自算出の注目度）: 0.3908906925636173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DINO (self-DIstillation with NO labels) has become a stan- dard for self-supervised pre-training, producing features that generalise across datasets and downstream tasks. In medical imaging it has been adopted mainly for radiology (X-ray, CT and MRI), where even natural- image DINO features transfer well. In the literature, these features have been reported to transfer worse to functional imaging such as PET. Yet PET-specific DINO models have barely been introduced, and even less validated across multiple tasks and datasets. We present PET-DINOv2-2D, the first DINOv2 model pre-trained on 2D PET, and benchmark it against open-source encoders: the origi- nal DINOv2 (pre-trained on the LVD-142M natural-image dataset) and OmniRad (pre-trained on CT, MRI and ultrasound). Using the same lightweight heads for every backbone, and despite far less pre-training data, PET-DINOv2-2D matches or outperforms both on three down- stream PET tasks: normal/abnormal classification, lesion segmentation and recurrence-free survival prognosis. Its advantage is largest when few labels are available, suggesting that PET pre-training gives more transferable, label-efficient features. Code is made available at https://github.com/nuclivision/pet-dinov2-2d/.
• Abstract（参考訳）: DINO(self-DIstillation with NO labels)は、データセットと下流タスクをまたいで一般化する機能を生成する自己教師型事前トレーニングのスタンダードとなっている。 医用画像では、主に放射線学(X線、CT、MRI)に採用されており、自然画像DINOの特徴もよく伝達されている。 文献では、これらの特徴はPETなどの機能的イメージングに悪影響を及ぼすことが報告されている。 しかし、PET固有のDINOモデルはほとんど導入されておらず、複数のタスクやデータセットにまたがる検証も少なくなっている。 PET-DINOv2-2Dは2D PETで事前トレーニングされた最初のDINOv2モデルであり,オープンソースエンコーダであるOrig-nal DINOv2(LVD-142M自然画像データセットで事前トレーニング)とOmniRad(CT,MRI,超音波で事前トレーニング)と比較した。 PET-DINOv2-2Dは、訓練前のデータが少ないにもかかわらず、正常/異常分類、病変のセグメンテーション、再発のない生存予後の3つのダウンストリームPETタスクで一致または成績が良好である。 その利点は、ラベルが少ない場合に最大であり、PET事前学習によりより転送可能でラベル効率のよい機能が得られることを示唆している。 コードはhttps://github.com/nuclivision/pet-dinov2-2d/で公開されている。

関連論文リスト

• 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)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• Vision-Language Models for Automated 3D PET/CT Report Generation [13.781844347232079]
  自己PET/CTレポート生成は, 臨床負荷軽減にますます重要である。 PETRG-3Dは、PETとCTのボリュームをエンコードし、スタイル適応プロンプトを組み込んだエンドツーエンドの3Dデュアルブランチフレームワークである。 PETRG-Score(PETRG-Score)は、悪性リンパ腫に特異的な評価プロトコルである。
  論文  参考訳（メタデータ） (2025-11-25T10:07:57Z)
• PET2Rep: Towards Vision-Language Model-Drived Automated Radiology Report Generation for Positron Emission Tomography [24.091435019102587]
  放射線学の報告は臨床的意思決定に不可欠であるが、その手作業による作成は労働集約的で時間を要する。 近年の視覚言語モデル(VLM)の進歩は医療応用において大きな可能性を秘めている。 PET画像の放射線診断レポート生成のための一般医用VLMの評価ベンチマークであるPET2Repを紹介する。
  論文  参考訳（メタデータ） (2025-08-06T03:46:51Z)
• Efficient Parameter Adaptation for Multi-Modal Medical Image Segmentation and Prognosis [4.5445892770974154]
  変圧器ベースセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応(PEMMA)フレームワークを提案する。 本手法は初期核融合に匹敵する性能を示すが、トレーニング可能なパラメータの8%しか持たず、単一モードで訓練した場合のPETスキャンにおけるDiceスコアが28%向上したことを示す。
  論文  参考訳（メタデータ） (2025-04-18T11:52:21Z)
• PET Tracer Conversion among Brain PET via Variable Augmented Invertible Network [8.895830601854534]
  画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。 実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
  論文  参考訳（メタデータ） (2023-11-01T12:04:33Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• Improving and Simplifying Pattern Exploiting Training [81.77863825517511]
  Pattern Exploiting Training (PET)は、数発学習にパターンを利用する最近のアプローチである。 本稿では,未ラベルデータのないショットラーニングに焦点をあて,ADAPETを導入する。 ADAPETは、タスク固有のラベルなしデータなしでSuperGLUE上のPETより優れています。
  論文  参考訳（メタデータ） (2021-03-22T15:52:45Z)

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。