論文の概要: Unsupervised deep clustering for predictive texture pattern discovery in medical images

• arxiv url: http://arxiv.org/abs/2002.03721v1
• Date: Fri, 31 Jan 2020 10:57:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:04:03.999561
• Title: Unsupervised deep clustering for predictive texture pattern discovery in medical images
• Title（参考訳）: 医用画像における予測テクスチャパターン発見のための教師なしディープクラスタリング
• Authors: Matthias Perkonigg and Daniel Sobotka and Ahmed Ba-Ssalamah and Georg Langs
• Abstract要約: 医用画像のテクスチャパターンを教師なしで識別する手法を提案する。 深層クラスタリングネットワークに基づいて,低次元潜在空間における医用画像パッチを同時にエンコードし,クラスタリングする。 肝脂肪症患者のT1強調MRI70例について検討した。
• 参考スコア（独自算出の注目度）: 2.0478628221188497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive marker patterns in imaging data are a means to quantify disease and progression, but their identification is challenging, if the underlying biology is poorly understood. Here, we present a method to identify predictive texture patterns in medical images in an unsupervised way. Based on deep clustering networks, we simultaneously encode and cluster medical image patches in a low-dimensional latent space. The resulting clusters serve as features for disease staging, linking them to the underlying disease. We evaluate the method on 70 T1-weighted magnetic resonance images of patients with different stages of liver steatosis. The deep clustering approach is able to find predictive clusters with a stable ranking, differentiating between low and high steatosis with an F1-Score of 0.78.
• Abstract（参考訳）: 画像データの予測マーカーパターンは、病気や進行を定量化する手段であるが、基礎となる生物学が不十分であれば、その識別は困難である。 本稿では,医療画像中の予測的テクスチャパターンを教師なしで識別する手法を提案する。 深層クラスタリングネットワークに基づいて,低次元潜在空間における医用画像パッチを同時にエンコードし,クラスタリングする。 結果として生じるクラスターは、病気のステージングの特徴として機能し、それらを基礎疾患と結びつける。 肝脂肪症患者のT1強調MRI70例について検討した。 ディープクラスタリングアプローチは、f1-score 0.78の低ステアトーシスと高ステアトーシスを区別して、安定したランキングを持つ予測クラスタを見つけることができる。

関連論文リスト

• Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs [0.0]
  Singh Index (SI) は単純で半定量的な骨粗しょう症の診断方法である。 本研究は, 機械学習アルゴリズムを用いて, ラジオグラフからのSI識別を自動化することを目的とする。
  論文  参考訳（メタデータ） (2024-11-22T08:44:43Z)
• Siamese Networks with Soft Labels for Unsupervised Lesion Detection and Patch Pretraining on Screening Mammograms [7.917505566910886]
  対向マンモグラフィーを用いてニューラルネットワークを訓練し、同様の埋め込みを符号化する手法を提案する。 本手法は,既存の自己教師あり学習法と比較して,マンモグラムのパッチ分類において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-10T22:27:37Z)
• Statistical and Topological Summaries Aid Disease Detection for Segmented Retinal Vascular Images [0.0]
  微小血管疾患は網膜画像の視覚検査によって評価される。 病気が静かな症状を示したり、患者が直接の会議に出席できない場合、これは困難である。 微小血管疾患の検出における機械学習アルゴリズムの性能について検討した。
  論文  参考訳（メタデータ） (2022-02-20T01:29:36Z)
• Pseudo-domains in imaging data improve prediction of future disease status in multi-center studies [57.712855968194305]
  本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。 以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
  論文  参考訳（メタデータ） (2021-11-15T09:40:54Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning [2.4178424543973267]
  診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。 病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。 本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
  論文  参考訳（メタデータ） (2020-02-16T10:29:16Z)

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。