NCCT 슬라이스 분류의 영상 영역 푸아송 섭동 강건성
Image-Domain Poisson-Perturbation Robustness of NCCT Slice Classification
한국어 초록
영상 영역 푸아송 섭동은 정규화된 NCCT 외형과 하위 모델을 변화시킬 수 있다. 우리는 다섯 가지 시뮬레이션 설정에서 허혈 코어/페넘브라를 포함하는 비조영 CT(NCCT) 슬라이스의 분류를 평가했다. 원본 코호트는 CPAISD(초급성 허혈성 뇌졸중 환자 112명)였으며, 테스트 분할은 환자 10명과 슬라이스 809장으로 구성되었다. 첫째, 고정 체크포인트 감사에서는 직접 ResNet-18 분류(P1)와 잔차 U-Net 디노이징 후 분류기(P2)를 비교했다. P1의 평균 정밀도(AP)는 0.694에서 0.901 범위였던 반면, P2 AP는 0.509에서 0.797 범위였다(설정 10–40에서 상당히 낮음). 고정 임계값 0.5에서 민감도는 P1이 0–12.8%, P2는 0%였다. 둘째, 전향적으로 고정된 de novo 실험에서는 직접 노이즈 분류(DNC), 결합 디노이징-분류(JDC-0), 그리고 학습 전용 특권 병변 경계 감독을 추가한 동일 결합 모델(JDC-B)을 비교했다. 설정 전반 평균 AP는 DNC 0.861 ± 0.028, JDC-0 0.840 ± 0.038, JDC-B 0.856 ± 0.031이었다. 계층적 대응 부트스트랩 차이는 JDC-0 마이너스 DNC가 −0.021(95% CI −0.063에서 0.019), JDC-B 마이너스 JDC-0이 0.016(−0.019에서 0.054), JDC-B 마이너스 DNC가 −0.005(−0.041에서 0.026)였으며, 어느 것도 0을 배제하지 않았다. 환자 52명의 AISD 분할에 대한 동결 스트레스 테스트에서도 제한된 전이성이 나타났다. 따라서 일반 결합 학습은 분류 이득을 입증하지 못했고, 경계 항은 점 추정 손실의 일부를 회복했으나 통계적으로 지지되는 이점은 없었다. 영상 충실도, 순위, 보정, 임상 유용성은 각각 별도로 평가해야 한다. 본 연구는 실제 저선량·휴대형·콘빔 CT 획득이나 환자 수준 뇌졸중 진단을 검증하지 않는다.
원문 초록
Image-domain Poisson perturbation may alter normalized NCCT appearance and downstream models. We evaluated classification of ischemic core/penumbra-bearing non-contrast CT (NCCT) slices under five simulated settings. The source cohort was CPAISD (112 hyperacute ischemic stroke patients); the test partition contained 10 patients and 809 slices. First, a fixed-checkpoint audit compared direct ResNet-18 classification (P1) with residual U-Net denoising followed by the classifier (P2). P1 average precision (AP) ranged from 0.694 to 0.901, whereas P2 AP ranged from 0.509 to 0.797 (substantially lower at settings 10-40). The fixed 0.5 threshold had 0-12.8% sensitivity for P1 and 0% for P2. Second, a prospectively locked de novo experiment compared direct noisy classification (DNC), joint denoising-classification (JDC-0), and the same joint model with privileged training-only lesion-boundary supervision (JDC-B). Across-setting mean AP was 0.861 +/- 0.028 for DNC, 0.840 +/- 0.038 for JDC-0, and 0.856 +/- 0.031 for JDC-B. Hierarchical paired-bootstrap differences were -0.021 (95% CI -0.063 to 0.019) for JDC-0 minus DNC, 0.016 (-0.019 to 0.054) for JDC-B minus JDC-0, and -0.005 (-0.041 to 0.026) for JDC-B minus DNC; none excluded zero. A frozen stress test on the 52-patient AISD partition also showed limited transportability. Thus, ordinary joint training did not demonstrate a classification benefit, and the boundary term recovered part of its point-estimate loss without a statistically supported advantage. Image fidelity, ranking, calibration, and clinical utility must be evaluated separately. This study does not validate acquired low-dose, portable, or cone-beam CT, nor patient-level stroke diagnosis.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2603.26764v4
- arXiv:2603.26764v3제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
RIQE: 컴퓨터 단층촬영(CT)을 위한 NIQE 스타일 참조 모델
RIQE: a NIQE-style reference model for Computed Tomography
Natural Image Quality Evaluator(NIQE)는 원본(pristine) 이미지에 적합화된 모델과의 통계적 거리를 통해 이미지 점수를 매기며, 배포된 모델은 사진을 기반으로 적합화되어 있습니다. 본 연구에서는 공개 LDCT-and-Projection-data 컬렉션의 환자 158명으로부터 얻은 3,792개의 전선량(full-dose) 슬라이스에 적합화된 NIQE 스타일 모델인 Radiology Image Quality Evaluator(RIQE)를 명시된 강도 매핑, 모든 슬라이스의 매니페스트, 적합화를 재현하는 스크립트와 함께 공개합니다. 40명의 미참여(held-out) 환자를 대상으로 평가했을 때, RIQE는 투영 영역 노이즈 삽입으로 시뮬레이션된 저선량 재구성 영상을 흉부 쌍 240개 중 240개, 복부 쌍 240개 중 230개에서 동일한 슬라이스의 전선량 재구성 영상보다 더 나쁘게 평가했으며, 20% 더 많은 노이즈가 있는 이미지를 원본보다 97.5~100%의 경우에서 더 나쁘게 평가했습니다. 그러나 필터링된 이미지들 간의 선호도는 병변 신호를 따르지 않았습니다. 노이즈가 있는 복부 슬라이스에 4mm, +10 HU 병변을 삽입했을 때, RIQE는 최대 32 HU 잔차까지 모든 이미지에서 필터링되지 않은 이미지보다 양방향 필터링(bilateral filtering)을 선호했으나, 이때 병변의 정합 필터 신호는 29%만 남고 검출도 지수는 0.51에서 0.33으로 떨어집니다. 반면 동일한 32 HU 잔차에서 신호의 70%와 0.48의 검출도 지수를 유지하는 가우시안 평활화(Gaussian smoothing)는 전혀 선호하지 않았습니다. NIQE용으로 공개된 파라미터를 사용하여 사진에 적합화했을 때, 동일한 코드는 시뮬레이션된 모든 저선량 복부 이미지를 전선량 이미지보다 더 우수하다고 평가했습니다. RIQE는 열화된 이미지를 원본과 비교하여 순위를 매기는 데 적합하지만, 테스트된 조건 하에서 디노이저를 선택, 비교 또는 튜닝하기 위한 유일한 기준으로 사용되어서는 안 됩니다.
자동 신세포암 등급 분류를 위한 조직병리학 및 CT 기반 교차 모달 대조 학습
Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading
배경: 투명세포 신세포암(ccRCC)은 상당한 임상적 이질성을 보이며, 위험 계층화 및 치료 계획 수립을 위해서는 정확한 등급 평가가 필수적이다. 그러나 기존의 등급 평가는 침습적인 조직 채취를 필요로 한다. 본 연구에서는 비침습적인 CT 기반 ccRCC 등급 예측을 개선하기 위해 학습(training) 중 쌍을 이룬 조직병리학 및 컴퓨터 단층촬영(CT) 데이터를 활용하는 교차 모달 대조 학습(cross-modal contrastive learning) 프레임워크인 RCC-Align을 개발했다. 방법: RCC-Align은 대조 교차 모달 목적함수를 통해 쌍을 이룬 전체 슬라이드 조직병리학 이미지(WSI)와 CT 스캔을 정렬하여 미시적인 조직 형태학으로부터 거시적인 방사선학적 표현으로 등급 판별 정보를 전달한다. 이 프레임워크는 환자 수준의 5겹 교차 검증(validation)을 사용하여 쌍을 이룬 TCGA 및 CPTAC 코호트에서 학습 및 평가되었다. 저등급 대 고등급 ccRCC 분류(classification) 성능을 CT 전용 베이스라인(DINOv2-Base 및 DINOv2-Finetuned)과 WSI 기반 참조 모델(model)(GigaPath-Finetuned)과 비교했다. 교차 모달 정렬은 코사인 유사도 분석을 사용하여 평가되었다. 결과: RCC-Align은 0.601의 AUC(95% CI, 0.524-0.673) 및 0.599의 AUPRC(95% CI, 0.541-0.676)를 달성하여 유의하게 향상된 저등급 예측 성능(p = 0.004)과 함께 DINOv2-Finetuned(AUC 0.545, AUPRC 0.543)를 능가했다. 또한 RCC-Align은 베이스라인과 비교하여 더 강력한 쌍 WSI-CT 임베딩(embedding) 정렬을 보였다. WSI 기반 GigaPath 참조 모델은 0.719의 AUC를 달성했다. 결론: 병리학 유도 대조 학습은 추론(inference) 시 CT만 필요로 하면서도 CT 기반 ccRCC 등급 분류를 개선한다. 이러한 접근법은 생검이 안전하지 않거나 불가능하거나 종양 내 이질성으로 인해 제한될 때 조직 진단을 보완할 수 있다. 임상적 적용 전 외부 테스트를 포함한 더 크고 다기관인 코호트에서의 검증이 필요하다.
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
FFM-CP: 퓨샷 계산병리학을 위한 비전-언어 기반 모델의 교차 백본 융합
FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology
병리학 비전-언어 기반 모델은 질환과 과제에 따라 성능이 달라지며, 어떤 단일 모델도 일관되게 최고 성능을 내지 못한다. 전문가 병리 주석의 높은 비용은 과제별 적응에 사용할 수 있는 라벨 데이터를 제한하기도 한다. 상호 보완적인 사전학습 표현을 결합하는 것은 이러한 한계에 대한 잠재적 접근이지만, 소수의 라벨 예시로부터 효과적인 융합을 학습하는 것은 여전히 어렵다. 본 연구는 퓨샷 학습 설정에서 여러 병리학 비전-언어 모델을 결합하는 프레임워크인 Few-shot Fusion Foundation Models of Computational Pathology(FFM-CP)를 제안한다. 이 프레임워크는 먼저 대응하는 서포트 이미지로부터 추정한 폐형식(closed-form) 직교 프로크루스테스(Orthogonal Procrustes) 변환을 사용하여 이질적인 표현을 정렬한다. 이 정렬은 추가 정렬 네트워크를 학습하지 않고도 모델 내부 특징 기하를 보존한다. 정렬된 공간 안에서 통합 그래프는 서포트 이미지 특징과 시각·텍스트 클래스 프로토타입을 공동으로 정제함으로써 백본 간 정보 교환을 가능하게 한다. 이렇게 정제된 표현은 의미적 클래스 지식과 클래스 내 시각적 변이를 각각 포착하는 상호 보완적인 텍스트-프로토타입 분기와 케이스 검색(case-retrieval) 분기를 지원한다. 각 분기는 모든 순서화된 백본 쌍의 예측을 결합하는 방법을 학습하여, 한 모델로 인코딩된 쿼리가 다른 모델이 표현한 증거를 활용할 수 있게 한다. 우리는 6개의 조직병리학 데이터셋에서 클래스당 4, 8, 16샷 조건으로 3가지 백본 조합을 평가했다. FFM-CP는 54번 비교 중 50번에서 각 융합 집합의 개별 적응 멤버 중 가장 강한 모델보다 더 높은 평균 macro-F1을 달성했다. 이러한 결과는 주석이 제한될 때 상호 보완적인 사전학습 표현의 결합이 조직병리학 분류를 개선할 수 있음을 시사한다.
LENS-GRF: 여드름 중증도 등급 분류 및 다중 평가자 임상 오라클 분석을 위한 게이트 잔차 융합 기반 순열 불변 병변 근거 네트워크
LENS-GRF: Permutation-Invariant Lesion Evidence Network with Gated Residual Fusion for Acne Severity Grading and Multi-Rater Clinical Oracle Analysis
약하게 주석된 바이오이미징 데이터를 위한 모델 무관 지식 증강 머신러닝
Model-agnostic Knowledge Augmented Machine Learning for Weakly Annotated Bioimaging Data
현미경 및 세포형태학 이미지와 같이 약하게 주석된(weakly annotated) 바이오이미징 데이터로부터 자동 특징 추출을 수행하기 위해 머신러닝 모델의 활용이 점차 증가하고 있습니다. 그러나 자동 특징 추출에만 전적으로 의존하기 때문에, 기존 기법들은 약하게 주석된 데이터셋 전반에서 일관되지 않은 분류 성능을 보입니다. 본 연구에서는 머신러닝 모델이 자동 특징 추출로 포착할 수 있는 범위를 넘어 도메인 지식을 활용할 수 있도록 지원하는 모델 무관(model-agnostic) 지식 증강 기법을 제안합니다. 제안된 접근 방식은 7가지 머신러닝 아키텍처 전반에서 분류 성능을 향상시킵니다. 마스크 오토인코더(MAE) 기반 자기지도학습과 통합했을 때 본 기법은 전반적으로 가장 강력한 성능을 달성하여, 3개의 사내 현미경 데이터셋에서 차순위 방식 대비 정밀도를 2.9% 향상시켰으며 3개의 공개 세포형태학 벤치마크에서는 평균 6.8% 향상시켰습니다. 본 연구에서는 인간 유도만능줄기세포 유래 운동 신경세포에 대한 세 가지 독립적인 현미경 데이터셋을 활용하여, 근위축성 측삭 경화증(ALS)과 연관된 표현형인 핵에서 세포질로의 TAR DNA 결합 단백질 43(TDP-43) 이소(mislocalization) 현상을 기반으로 세포핵 수준의 분류를 수행합니다. 대규모 환경에서 이 표현형을 정확히 정량화하는 것은 여전히 어려우며, 이는 연구 간 불일치를 초래하는 원인이 될 수 있습니다. 성능이 가장 우수한 모델을 이들 현미경 데이터셋에 적용한 결과, 프로테아좀 스트레스원인 MG132와 산화 스트레스원인 아비산나트륨(SA)이 TDP-43 이소에 미치는 농도 의존적 영향, 산발성 및 가족성 ALS 공여자의 운동 신경세포에서 나타나는 다양한 병리 양상, 그리고 약리학 화합물인 에다라본과 니클로사마이드가 SA 유도 TDP-43 이소에 대해 보호 효과를 제공하지 못한다는 점 등을 포함하여 ALS와 관련된 생물학적 해석을 도출했습니다. 종합적으로, 본 파이프라인은 생체 외(in-vitro) 세포 이미지 분석을 가능하게 하여 ALS 관련 병리와 잠재적 치료법에 대한 이해를 증진하는 데 기여합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
15 pages, 5 figures, 10 tables. Under review