論文の概要: Handling confounding variables in statistical shape analysis --
application to cardiac remodelling
- arxiv url: http://arxiv.org/abs/2007.14239v1
- Date: Tue, 28 Jul 2020 14:05:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 02:28:39.269309
- Title: Handling confounding variables in statistical shape analysis --
application to cardiac remodelling
- Title（参考訳）: 統計的形状解析における結合変数の取り扱い -心臓リモデリングへの応用-
- Authors: Gabriel Bernardino, Oualid Benkarim, Mar\'ia Sanz-de la Garza, Susanna
Prat-Gonz\`alez, \'Alvaro Sepulveda-Martinez, F\`atima Crispi, Marta Sitges,
Mathieu De Craene, Bart Bijnens, Miguel \'Angel Gonz\'alez Ballester
- Abstract要約: 本稿では,制御された共起変数の集合に関連のない形状差を求める線形統計形状解析フレームワークを提案する。
心臓磁気共鳴画像データセットにこの枠組みを適用し,持続運動による心臓リモデリングを同定した。
- 参考スコア（独自算出の注目度）: 0.40863588791313665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape analysis is a powerful tool to assess organ morphologies
and find shape changes associated to a particular disease. However, imbalance
in confounding factors, such as demographics might invalidate the analysis if
not taken into consideration. Despite the methodological advances in the field,
providing new methods that are able to capture complex and regional shape
differences, the relationship between non-imaging information and shape
variability has been overlooked. We present a linear statistical shape analysis
framework that finds shape differences unassociated to a controlled set of
confounding variables. It includes two confounding correction methods:
confounding deflation and adjustment. We applied our framework to a cardiac
magnetic resonance imaging dataset, consisting of the cardiac ventricles of 89
triathletes and 77 controls, to identify cardiac remodelling due to the
practice of endurance exercise. To test robustness to confounders, subsets of
this dataset were generated by randomly removing controls with low body mass
index, thus introducing imbalance. The analysis of the whole dataset indicates
an increase of ventricular volumes and myocardial mass in athletes, which is
consistent with the clinical literature. However, when confounders are not
taken into consideration no increase of myocardial mass is found. Using the
downsampled datasets, we find that confounder adjustment methods are needed to
find the real remodelling patterns in imbalanced datasets.
- Abstract（参考訳）: 統計的形状解析は、臓器形態を評価し、特定の疾患に関連する形状変化を見つけるための強力なツールである。
しかし、人口統計などの不均衡は、考慮しなければ分析を無効にする可能性がある。
複雑・局所的な形状の違いを捉え得る新しい手法を提供する分野の方法論的進歩にもかかわらず、非画像情報と形状変動の関係は見過ごされている。
本稿では,連結変数の制御集合と無関係な形状差を求める線形統計的形状解析フレームワークを提案する。
これにはデフレと調整の2つの補修方法が含まれる。
持続運動による心臓リモデリングの同定を目的として,89個のトライアスレットと77個のコントロールからなる心磁気共鳴画像データセットに本フレームワークを適用した。
共同創設者に対するロバスト性をテストするために、このデータセットのサブセットは、低ボディー質量指数によるランダムに制御を取り除き、不均衡を導入した。
運動選手の心室容積と心筋量の増加は, 臨床文献と一致している。
しかし、共同創設者が考慮されない場合、心筋量の増加はみられない。
ダウンサンプルデータセットを使用することで、不均衡なデータセットで実際のリモデリングパターンを見つけるためには、共同創設者の調整方法が必要であることがわかった。
関連論文リスト
- Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2024-03-28T15:41:43Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。
生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。
本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
論文 参考訳（メタデータ） (2023-12-07T11:03:42Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Elastic Shape Analysis of Brain Structures for Predictive Modeling of
PTSD [9.922132565411664]
本稿では,脳のサブ構造を連続パラメータ化表面として表現することで,制約を克服する包括的枠組みを提案する。
弾性形状測定値を用いて皮質下データの形状要約を計算し,個々の形状を主スコアで表現する。
そこで我々は,脳のサブストラクチャ形状を用いてPTSDの臨床的指標を予測することを目的として,Grady Trauma Projectのデータに本手法を適用した。
論文 参考訳（メタデータ） (2021-05-24T21:33:58Z) - Joint data imputation and mechanistic modelling for simulating
heart-brain interactions in incomplete datasets [5.178090215294132]
本稿では, 心血管機構モデルを用いた共同心臓データ計算とパーソナライズのための確率的枠組みを提案する。
本手法は, 利用可能な特徴量から, 心臓情報の計算モデルを用いて, 共同推論を行うための変動的枠組みに基づくものである。
本モデルは,最小限の心情報を含むデータセットにおいて,欠落した心機能の正確な計算を可能にすることを示す。
論文 参考訳（メタデータ） (2020-10-02T15:31:36Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。