論文の概要: Segment Anything Pancreas: A Unified MRI Segmentation Model for Pancreatic Cancer Radiotherapy
- arxiv url: http://arxiv.org/abs/2610.41063v1
- Date: Thu, 29 Oct 2026 23:18:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.551448
- Title: Segment Anything Pancreas: A Unified MRI Segmentation Model for Pancreatic Cancer Radiotherapy
- Title(参考訳): Segment Anything Pancreas: 膵癌放射線治療のための統一MRIセグメンテーションモデル
- Abstract要約: 本稿では,1つのMRIボリュームから膵全体を分割する統一モデルであるPancreas-MedNeXtを提案する。
診断およびMR-Linac MRIでは,膵・MedNeXtが平均膵,腫瘍DSCの最高値を示した。
- 参考スコア(独自算出の注目度): 5.637633952859392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Limited tumor annotations and incomplete labels across MRI datasets hinder unified segmentation of pancreatic tumors and organs at risk (OARs) for MRI-guided radiotherapy. Purpose: We propose Pancreas-MedNeXt, a unified model that segments the whole pancreas, its subregions, tumors, and surrounding OARs from one MRI volume. Methods: The model uses a shared MedNeXt encoder-decoder with supervised whole-pancreas and subregion pretraining, followed by multitask fine-tuning. Three output heads predict the pancreatic subregions, tumor, and OARs (stomach, duodenum, kidneys). An annotation-aware loss allows training on partially labeled data without treating unannotated structures as background. Pancreas and tumor were evaluated by three-fold cross-validation on 142 PANTHER patients (92 diagnostic, 50 MR-Linac), subregions and OARs on Cyst-X and AMOS test sets, and pancreas and OARs on 33 external T1-weighted TotalSegmentator scans. Comparisons with nnU-Net, MedNeXt, VISTA3D, and Swin UNETR used the Dice similarity coefficient (DSC) with paired bootstrap 95% CIs. Results: Pancreas-MedNeXt achieved the highest mean pancreas and tumor DSC on diagnostic and MR-Linac MRI. Tumor DSC was 58.41% and 42.55%, exceeding task-specific MedNeXt by 4.94 (95% CI: 0.28-9.45) and 5.89 (95% CI: 2.37-9.72) percentage points, respectively. Whole-pancreas DSC was 85.73% and 70.66%. Pretraining improved head, body, and tail DSC by 2.01, 3.00, and 3.78 percentage points over training from scratch. It also achieved the highest DSC for the pancreas, duodenum, and right kidney on AMOS, and for all five organs on external MRI, exceeding the next-best method by 4.92-8.85 percentage points.Conclusion: A single Pancreas-MedNeXt model segments tumors, pancreatic subregions, and OARs on diagnostic and MR-Linac MRI, which could streamline contouring for pancreatic cancer radiotherapy.
- Abstract(参考訳): 背景:MRIデータセット全体にわたる腫瘍アノテーションと不完全なラベルは、MRI誘導放射線療法のリスク(OAR)における膵腫瘍と臓器の統一セグメンテーションを妨げる。
目的: 膵全領域, 亜領域, 腫瘍, 周囲のOARを1つのMRIボリュームから分割する統合モデルである Pancreas-MedNeXt を提案する。
メソッド: モデルは共有のMedNeXtエンコーダデコーダを使用し、教師付き全膵とサブリージョン事前訓練を行い、続いてマルチタスクの微調整を行う。
3つの出力ヘッドは膵亜領域、腫瘍、OAR(胃、十二指腸、腎臓)を予測する。
アノテーションを意識した損失は、注釈のない構造をバックグラウンドとして扱うことなく、部分的にラベル付けされたデータのトレーニングを可能にする。
膵・腫瘍は142例(診断92例,MR-Linac50例),Cyst-XおよびAMOSテストセットの亜領域,OAR33例,T1-weighted TotalSegmentatorスキャンの膵・OAR3例で比較検討した。
nnU-Net、MedNeXt、VISTA3D、Swin UNETRとの比較では、Dice類似度係数(DSC)とペアブートストラップ95%のCIを使用した。
結果: 診断およびMR-Linac MRIでは, 膵MedNeXtが平均膵, DSCの高値を示した。
腫瘍DSCは58.41%、MedNeXtは4.94(95% CI: 0.28-9.45)と5.89(95% CI: 2.37-9.72)を上回った。
DSCは85.73%、70.66%である。
頭、体、尾のDSCを2.01、3.00、および3.78ポイント改善した。
また、AMOSでは膵、十二指腸、右腎のDSCが最高であり、外部MRIでは5臓器が4.92~8.85ポイントの差で次位に上り、膵癌放射線治療の合理化が可能な診断とMR-Linac MRIでは1つの膵-MedNeXtモデルセグメントが腫瘍、膵亜領域、OARに含まれていた。
関連論文リスト
- Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。
101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。
R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
論文 参考訳(メタデータ) (2025-10-16T15:35:44Z) - Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。
前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。
U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
論文 参考訳(メタデータ) (2025-01-15T22:23:41Z) - MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI [12.236789438183138]
複数の臓器や構造のボクセルレベルのアノテーションを備えた腹部MRIデータセットは公開されていない。
MRISegmentator-Abdomen(略してMRISegmentator)と呼ばれる3D nnUNetモデルをこのデータセットでトレーニングした。
このツールは、T1強調腹部MRIの62の臓器と構造の、自動的、正確で、堅牢なセグメンテーションを提供する。
論文 参考訳(メタデータ) (2024-05-09T17:33:09Z) - SegRap2023: A Benchmark of Organs-at-Risk and Gross Tumor Volume
Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma [45.15178196643517]
放射線治療にはGross tumor Volumes (GTVs) とOrgans-At-Risk (OARs) が重要である。
SegRap2023チャレンジはMICCAI2023と共同で編成され、OARとGTVセグメンテーションのための大規模なベンチマークが提示された。
課題を詳述し、すべての参加者のソリューションを分析します。
論文 参考訳(メタデータ) (2023-12-15T07:08:38Z) - Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。
Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
論文 参考訳(メタデータ) (2023-11-09T18:55:27Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳(メタデータ) (2023-01-28T20:09:34Z) - Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS
2022 Challenge Solution [0.0]
この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。
術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。
Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
論文 参考訳(メタデータ) (2022-12-19T09:14:23Z) - Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain
Tumor Segmentation in MRI scans [5.586191108738564]
グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。
磁気共鳴画像(MRI)における腫瘍の様々な部位の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。
提案したモデルでは, トレーニングデータセット上でそれぞれ腫瘍, 腫瘍全体, 腫瘍コアを増強するためのDice係数0.59, 0.72, 0.61が得られた。
同じモデルでは、検証データセットではDice Coefficientが0.57、0.73、0.61、テストデータセットでは0.59、0.72、0.57となっている。
論文 参考訳(メタデータ) (2021-01-29T04:53:42Z) - 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) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳(メタデータ) (2020-04-04T21:21:44Z)
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。