論文の概要: BRACHIO: Broad Representations Across Centres for Head-and-neck Imaging Oncology (HECKTOR 2026)

• arxiv url: http://arxiv.org/abs/2610.40068v1
• Date: Thu, 29 Oct 2026 13:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:25:42.3189
• Title: BRACHIO: Broad Representations Across Centres for Head-and-neck Imaging Oncology (HECKTOR 2026)
• Title（参考訳）: BRACHIO HECKTOR 2026
• Abstract要約: HECKTOR 2026は、頭頸部がんのための機械学習のベンチマークに挑戦する。 本報告では、チームヌークリのHECKTORチャレンジへの応募について述べる。
• 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: The HECKTOR 2026 challenge benchmarks machine learning for head and neck cancer, where teams delineate primary and nodal tumour volumes, perform TN staging, and predict recurrence-free survival (RFS). This report describes the submissions for the HECKTOR challenge of team nucli. As the three tasks span both dense and global information from multicentric PET/CT scans, we utilise self-supervised pre-trained encoders, training a 2D DINOv2 encoder (PET-DINOv2-MIPs) on HECKTOR 2026's PET scans. Our final test submission ensembles a DynUNet trained from scratch with a SwinUNETR whose Swin trunk was initialised from a SimMIM-pre-trained checkpoint for segmentation, reaching a mean Dice of 0.5409. For TN staging, GTVp/GTVn geometric features from the segmentation masks are fit to stage probabilities by logistic regression (LR) and fused with PET-DINOv2-MIPs deep features (PCA + LR) via a second-level LR, reaching balanced accuracies of 0.3962 (T-stage) and 0.6432 (N-stage). For the RFS prognosis task, we fine-tune the last two blocks of the PET-DINOv2-MIPs ViT-S encoder jointly with an MLP head under a CoxPH loss, concatenating clinical covariates with the imaging features, reaching a test Harrell's C-index of 0.6577 and a weighted challenge score of 0.5802. The prognosis result is comparable to the best entry of the previous edition and consistent with our internal cross-validation, while our segmentation result is well below it and limits the staging results that depend on it.
• Abstract（参考訳）: HECKTOR 2026は、頭頸部癌のための機械学習のベンチマークに挑戦する。 本報告では、チームヌークリのHECKTORチャレンジへの応募について述べる。 3つのタスクが多心性PET/CTスキャンからの密集情報と大域的情報の両方にまたがるので、HECKTOR 2026のPETスキャンで2D DINOv2エンコーダ(PET-DINOv2-MIP)を訓練し、自己学習済みエンコーダを利用する。 最後のテストではDynUNetをスクラッチからトレーニングしたSwinUNETRでアンサンブルし、SwinトランクはSimMIMでトレーニング済みのセグメンテーションチェックポイントから初期化され、平均Diceは0.5409に達した。 TNステージでは、セグメンテーションマスクのGTVp/GTVn幾何学的特徴は、ロジスティック回帰(LR)によりステージ確率に適合し、第2レベルのLRを介してPET-DINOv2-MIPs深部特徴(PCA + LR)と融合し、0.3962(Tステージ)と0.6432(Nステージ)に達する。 PET-DINOv2-MIPs ViT-Sエンコーダの最後の2ブロックをCoxPH損失下でMLPヘッドと併用し,画像特徴と臨床共変体を連結し,HarrellのC-インデックス0.6577,重み付きチャレンジスコア0.5802に到達した。 予後の結果は、前版で最高のエントリに匹敵し、内部のクロスバリデーションと一致しますが、セグメンテーションの結果はそれよりかなり低く、それに依存するステージング結果に制限があります。

関連論文リスト

• HERMES: A Hybrid Ensemble for Head-and-Neck Tumor Segmentation, TN Staging, and Recurrence-Free Survival on PET/CT [3.2632075797484887]
  HERMESは3つのHECKTOR 2026サブタスクのための単一のコンテナ化アルゴリズムである。 STU-Net Smallネットワークの10倍のアンサンブルがセグメンテーションを生成する。 HERMESは0.6454(Mean Dice 0.641, T balanced accuracy 0.580, N balanced accuracy 0.642, RFS C-index 0.679)の重み付きスコアを獲得し、テストフェーズの資格を得た。
  論文  参考訳（メタデータ） (2026-07-29T05:47:18Z)
• HEad and neCK TumOR (HECKTOR) 2025: Benchmark of Segmentation, Diagnosis, and Prognosis in Multimodal PET/CT [13.031827676281729]
  HECKTOR 2025チャレンジは、マルチモーダルPET/CT画像と電子健康記録を用いた自動HNC分析のベンチマークを確立した。 このチャレンジには35の登録チームが参加し、15のファイナリストが保持されたテストセットで評価された。 最高性能アルゴリズムは,セグメンテーションにおける平均Dice類似度係数0.75,生存予測のための一致指数0.66,HPV分類における平衡精度0.56を達成した。
  論文  参考訳（メタデータ） (2026-06-18T12:06:38Z)
• The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
  第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。 全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。 トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
  論文  参考訳（メタデータ） (2026-05-07T07:07:09Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Segmentation and Risk Score Prediction of Head and Neck Cancers in PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks [0.4433315630787158]
  PET/CT画像から腫瘍の分節化を行うために3D nnU-Netモデルを用いて残層を圧縮・励起法(SE法)により補足した。 セグメンテッド病変から抽出したPET/CT放射能の特徴について, 危険リスク予測モデル (CoxCC) を訓練した。 10倍のクロスバリデードCoxCCモデルにより、HECKTORチャレンジテストデータセットにおいて、c-indexバリデーションスコアが0.89、c-indexスコアが0.61となった。
  論文  参考訳（メタデータ） (2022-02-16T01:59:33Z)
• Squeeze-and-Excitation Normalization for Automated Delineation of Head and Neck Primary Tumors in Combined PET and CT Images [3.2694564664990753]
  ポジトロン発光トモグラフィ/CT(PET/CT)画像を組み合わせることで、ヘッドアンドネック(H&N)一次腫瘍分割の自動化に貢献します。 残層を持つU-Netアーキテクチャを設計し,Squeeze-and-Excitation Normalizationを補足した。 本手法は,クロスバリデーション (DSC 0.745, 精度 0.760, リコール 0.789) と試験セット (DSC 0.759, 精度 0.833, リコール 0.740) で達成し, HECKTORチャレンジで優勝した。
  論文  参考訳（メタデータ） (2021-02-20T21:06:59Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。