PanGuide3D: 確率論的膵臓条件付けと変換器ボトルネックを用いた、コホート移動に堅牢な膵癌分割

arXiv:2604.20981v1 Announce Type: cross 抽象要旨：対比増強計算断層写真（CT）における膵癌の分割は臨床的に重要でありながら技術的に困難です。病変はしばしば小さく、異質性があり、周囲の軟部組織と容易に混同され、そのうえ、あるコホートで良好な性能を示すモデルはコホートシフトに対して性能が低下しやすいという課題が存在します。当研究の目的は、モデルアーキテクチャをシンプル、効率的、かつ実用的に保ったまま、コホート間の汎用性を向上させることでした。当研究では、共有 3D エンコーダー、確率論的膵臓マップを予測する膵臓デコーダー、そして異なる微分可能ソフトゲートを介して多スケールにおいてこの膵臓確率に明示的に条件付けされた腫瘍デコーダーを備えたコホート堅牢なアーキテクチャ「PanGuide3D」を導入しました。分布シフト下での長距離文脈を捉えるために、U-Net ボトルネック表現に軽量な Transformer ボトルネックを追加しました。評価において、PanTS（膵癌分割コホート）で学習し、コホート内（PanTS）およびコホート外（Medical Segmentation Decathlon Task07 Pancreas：MSD Task07）でテストを施行し、強基線モデルにおいて一致した前処理および学習プロトコルを用いました。当研究では、 voxels 単位の分割指標、患者単位の腫瘍検出、腫瘍サイズおよび解剖学的位置によるサブグループ解析、体積条件化された性能解析、および信頼性を評価するための_calibration_を測定することで、コホート移動性を評価しました。評価されたモデル全体において、PanGuide3D は総合的な腫瘍性能で最も優れ、特に小さな腫瘍や困難な解剖学的位置において、コホート間の汎用性が改善し、解剖学的に不可能な偽陽性を削減しました。これらの結果は、エンドエンドモデルにおけるコホート間の堅牢性を向上させるための、確率論的解剖学的条件付けを実用的な戦略と支持し、境界描画支援、治療計画、および多機関研究における潜在的な有用性を示唆しています。

arXiv:2604.20981v1 Announce Type: cross Abstract: Pancreatic tumor segmentation in contrast-enhanced computed tomography (CT) is clinically important yet technically challenging: lesions are often small, heterogeneous, and easily confused with surrounding soft tissue, and models that perform well on one cohort frequently degrade under cohort shift. Our goal is to improve cross-cohort generalization while keeping the model architecture simple, efficient, and practical for 3D CT segmentation. We introduce PanGuide3D, a cohort-robust architecture with a shared 3D encoder, a pancreas decoder that predicts a probabilistic pancreas map, and a tumor decoder that is explicitly conditioned on this pancreas probability at multiple scales via differentiable soft gating. To capture long-range context under distribution shift, we further add a lightweight Transformer bottleneck in the U-Net bottleneck representation. We evaluate cohort transfer by training on the PanTS (Pancreatic Tumor Segmentation) cohort and testing both in-cohort (PanTS) and out-of-cohort on MSD (Medical Segmentation Decathlon) Task07 Pancreas, using matched preprocessing and training protocols across strong baselines. We collect voxel-level segmentation metrics, patient-level tumor detection, subgroup analyses by tumor size and anatomical location, volume-conditioned performance analyses, and calibration measurements to assess reliability. Across the evaluated models, PanGuide3D achieves the best overall tumor performance and shows improved cross-cohort generalization, particularly for small tumors and challenging anatomical locations, while reducing anatomically implausible false positives. These findings support probabilistic anatomical conditioning as a practical strategy for improving cross-cohort robustness in an end-to-end model and suggest potential utility for contouring support, treatment planning, and multi-institutional studies.