論文の概要: Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation

• arxiv url: http://arxiv.org/abs/2610.40834v1
• Date: Thu, 29 Oct 2026 18:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.467754
• Title: Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation
• Title（参考訳）: 全体PSMA PET/CT 転移セグメンテーションのための空間アトラスインフォームドロスアンサンブル
• Abstract要約: モデルトレーニングに組み込んだ場合,個体群アトラスは病変検出を改善することができるか検討した。 SAILS を AutoPETIII および Deep-PSMA のベースライン nnU-Net と転移時間 atlas と比較した。 推論にアトラスや登録は必要ない。
• 参考スコア（独自算出の注目度）: 0.008686459834747052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing whole-body PSMA PET/CT prostate metastasis segmentation methods generally rely on images alone, without explicitly incorporating where metastases tend to occur. We investigate whether a population metastasis atlas can improve lesion detection when integrated into model training. We constructed voxel-wise mean and standard deviation maps from 375 expert-annotated training scans and used them to weight the cross-entropy loss of an nnU-Net. The additional penalties for missed lesions and false positives depend on spatial atlas statistics and diminish as predictions become confidently correct. Seven configurations were compared on validation data; three were combined by majority voting into SAILS (Spatial Atlas-Informed Loss enSemble). We compared SAILS with a baseline nnU-Net and inference-time atlas fusion on AutoPET~III (110 disease-positive cases) and Deep-PSMA (100 external cases). No atlas or registration is needed at inference. Results: On AutoPET~III, SAILS improved whole-body Dice (0.531 vs. 0.520; p=0.006), reduced missed-lesion volume (9.5 vs. 12.1 cc/case; p<0.01), and increased pooled lesion sensitivity (0.857 vs. 0.843; p=0.004). On Deep-PSMA, SAILS detected 126 additional reference lesions (sensitivity 0.769 vs. 0.751; p<0.001), without a significant whole-body Dice change (-0.009; p=0.36). High-risk bone Dice improved in both cohorts (0.576 vs. 0.552 and 0.667 vs. 0.653; both p<0.01). False-positive volume increased by 2.3 and 18.2 cc/case, respectively (p<0.001). Atlas-weighted training improves lesion detection, especially in high-risk bone, without test-time atlas registration, but increases false positives.
• Abstract（参考訳）: 既存のPSMA PET/CT前立腺転移セグメンテーション法は、一般的に画像のみに頼っている。 本研究は, モデルトレーニングに統合した場合, 集団転移性アトラスが病変検出を改善できるかどうかを考察する。 我々は,375名の専門家によるトレーニングスキャンからボクセル平均および標準偏差マップを構築し,nnU-Netのクロスエントロピー損失の重み付けに利用した。 欠損病変や偽陽性に対する追加の罰則は、空間的アトラス統計に依存し、予測が確実に正しくなるにつれて減少する。 SAILS (Spatial Atlas-Informed Loss enSemble) に投票することで, 7つの構成を検証データで比較した。 SAILSをベースラインnnU-Netと推論時アトラス融合(110例)とDeep-PSMA(100例)と比較した。 推論にアトラスや登録は必要ない。 結果: オートPET~IIIでは全身Dice(0.531 vs. 0.520; p=0.006), 欠席量(9.5 vs. 12.1 cc/case; p<0.01), プール病変感度(0.857 vs. 0.843; p=0.004)が改善した。 Deep-PSMAでは、SAILSはさらに126の基準病変(感度0.769 vs. 0.751; p<0.001)が検出され、ボディ全体のDice変化は顕著であった(-0.009; p=0.36)。 高リスク骨Diceは両コホート(0.576 vs. 0.552, 0.667 vs. 0.653, p<0.01)で改善した。 偽陽性は2.3および18.2cc/caseで増加した(p<0.001)。 アトラス強調トレーニングは、特に高リスク骨において、テストタイムのアトラス登録なしで病変の検出を改善するが、偽陽性を増加させる。

関連論文リスト

• HierarchiRetina: A Diabetic Retinopathy Screening and Grading Cascade with Heterogeneous Mixture-of-Experts Lesion Segmentation [0.5949779668853556]
  HierarchiRetinaは検査可能なステージ出力を備えたスクリーニング、セグメンテーション、グレーディングカスケードである。 HSMoE-AUNetは、スキップ、ボトルネック、デコーダブロックが異種専門家のまばらな混合であるU-Netである。 LG-DRGは、経常的重症度からグレードビリティを分離し、病変マスクがクロスアテンションを通して画像に問い合わせることを可能にする。
  論文  参考訳（メタデータ） (2026-10-13T08:19:28Z)
• Evaluating Multi-Task Morphological Concept Learning for Pulmonary Nodule Malignancy Assessment in 3D CT [0.0]
  肺結節のCT(Computed tomography)評価において,Spiculationやlobulationなどの形態学的特徴は重要な役割を担っている 本研究は,放射線技師に付与された形態的特徴の学習と悪性度リスクが分類性能を向上させるかを検討する。
  論文  参考訳（メタデータ） (2026-09-29T14:36:41Z)
• Assessing nnU-Net Generalization across Brain Tumor Populations in BraTS-GoAT 2026 [0.37331950863394864]
  BraTS-GoATは異種集団にわたって腫瘍の分節を評価する。 従来の3D nnU-Netを5倍のクロスバリデーションと1000エポックで1,351個のラベル付きケースで訓練した。 最後の予測器は、すべての折りたたみとテスト時間ミラーリングを平均化した。
  論文  参考訳（メタデータ） (2026-09-14T13:14:44Z)
• 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)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Generalized Dice Focal Loss trained 3D Residual UNet for Automated Lesion Segmentation in Whole-Body FDG PET/CT Images [0.4630436098920747]
  我々は,AutoPETチャレンジ2023のトレーニングデータセット上で,一般化Dice Focal Loss関数を用いて3次元残留UNetをトレーニングする。 予備試験段階では、平均アンサンブルは、それぞれ0.5417、0.8261ml、0.2538mlのDice類似係数(DSC)、偽陽性体積(FPV)、偽負体積(FNV)を達成した。
  論文  参考訳（メタデータ） (2023-09-24T05:29:45Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Slice-by-slice deep learning aided oropharyngeal cancer segmentation with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
  腫瘍セグメンテーションは放射線治療計画の基本的なステップである。 本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-04T15:17:44Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。