論文の概要: Improving PI-RADS Prediction and Prostate Cancer Detection from Multiparametric MRI with Anatomical Guidance

• arxiv url: http://arxiv.org/abs/2611.04155v1
• Date: Tue, 03 Nov 2026 01:45:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:27:24.731562
• Title: Improving PI-RADS Prediction and Prostate Cancer Detection from Multiparametric MRI with Anatomical Guidance
• Title（参考訳）: 解剖学的誘導によるマルチパラメトリックMRIによるPI-RADS予測と前立腺癌検出の改善
• Abstract要約: 前立腺帯マスクの導入がPI-RADS予測とcsPCa検出を改善するか否かを,大規模内部データセットを用いて検討した。 解剖学的ガイダンスは一般的にアーキテクチャ全体のパフォーマンスを改善した。 モデル予測と専門家指定のPI-RADSスコアはAUCを0.711から0.756へと大幅に増加させた。
• 参考スコア（独自算出の注目度）: 3.8521636302226097
• License:
• Abstract: Accurate prediction of Prostate Imaging Reporting and Data System (PI-RADS) scores from multiparametric MRI (mpMRI) remains challenging, more so than clinically significant prostate cancer (csPCa) detection. Given the importance of lesion location in PI-RADS scoring, we evaluated whether incorporating prostate zonal masks improves PI-RADS prediction and csPCa detection across multiple architectures (3D ResNet-18, ResNet-50, and ViT) using a large-scale internal dataset. Anatomical guidance generally improved performance across architectures, with the best results achieved by ResNet-18 with 2-zone guidance for PI-RADS prediction (QWK = 0.511) and ResNet-50 with 5-zone guidance for csPCa detection (AUC = 0.809). Fine-tuned results on external datasets further demonstrated the benefits of anatomical guidance. Furthermore, models with anatomical guidance improved the utility of model-predicted PI-RADS scores for PI-RADS-based csPCa detection (positive defined as PI-RADS>=3). Combining model-predicted and expert-assigned PI-RADS scores significantly increased the AUC from 0.711 to 0.756 (p < 0.05), suggesting that AI-derived PI-RADS scores may provide complementary information to expert assessment for csPCa detection. Overall, our findings highlight the value of incorporating prostate zonal anatomy into deep learning-based prostate MRI assessment.
• Abstract（参考訳）: 臨床的に有意な前立腺癌(csPCa)の検出よりも, マルチパラメトリックMRI(mpMRI)からのPI-RADSスコアの正確な予測が困難である。 PI-RADSスコアリングにおける病変位置の重要性を考慮し,複数アーキテクチャにわたるPI-RADS予測とcsPCa検出の改善(3D ResNet-18, ResNet-50, ViT)を大規模内部データセットを用いて評価した。 ResNet-18はPI-RADS予測のための2ゾーンガイダンス(QWK = 0.511)、ResNet-50はcsPCa検出のための5ゾーンガイダンス(AUC = 0.809)で達成した。 外部データセットの微調整結果はさらに解剖学的ガイダンスの利点を示した。 さらに, 解剖学的ガイダンスを用いたモデルでは, PI-RADSを用いたcsPCa検出(PI-RADS>=3)におけるモデル予測PI-RADSスコアの有用性が向上した。 モデル予測と専門家指定のPI-RADSスコアを組み合わせることで、AUCは0.711から0.756(p < 0.05)に大幅に増加し、AI由来のPI-RADSスコアがcsPCa検出のエキスパートアセスメントに補完的な情報を提供する可能性が示唆された。 以上の結果から,前立腺領域解剖学を深層学習に基づく前立腺MRI評価に取り入れることの価値が示唆された。

関連論文リスト

• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• A Second-Order Attention Mechanism For Prostate Cancer Segmentation and Detection in Bi-Parametric MRI [1.8479558716666358]
  本研究は,csPCaの病変を検出するために,専用セグメンテーションネットワークをスキップ接続を介してガイドする2階幾何学的注意(SOGA)機構を導入する。 提案機構は標準のU-NetとnnU-Netのバックボーンに統合され、PI-CAIデータセットで検証された。
  論文  参考訳（メタデータ） (2025-11-07T23:07:19Z)
• 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)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Incorporating Clinical Guidelines through Adapting Multi-modal Large Language Model for Prostate Cancer PI-RADS Scoring [14.804269296760712]
  近年の深層学習に基づく PI-RADS 評価法は, 放射線技師が利用する PI-RADS 臨床ガイドライン (PICG) の組み入れを欠いていることが多い。 本稿では,マルチモーダルな大規模言語モデル(MLLM)を付加アノテーションやネットワークパラメータを使わずにPICGをPI-RADSスコアリングモデルに組み込む手法を提案する。
  論文  参考訳（メタデータ） (2024-05-14T17:35:27Z)
• On undesired emergent behaviors in compound prostate cancer detection systems [0.4324342847944414]
  臨床的に有意なPC病変検出システムの評価を行った。 実シナリオにおいて, 複合系の脱線能力に有意な差異が認められた。
  論文  参考訳（メタデータ） (2023-09-15T13:15:09Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)

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。