論文の概要: Two-Stream Compare and Contrast Network for Vertebral Compression Fracture Diagnosis

• arxiv url: http://arxiv.org/abs/2010.06224v1
• Date: Tue, 13 Oct 2020 08:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:31:43.127532
• Title: Two-Stream Compare and Contrast Network for Vertebral Compression Fracture Diagnosis
• Title（参考訳）: 垂直圧縮破壊診断のための2ストリーム比較とコントラストネットワーク
• Authors: Shixiang Feng, Beibei Liu, Ya Zhang, Xiaoyun Zhang, Yuehua Li
• Abstract要約: 椎間板圧迫骨折(VCFs)は外傷性骨粗しょう症(良性VCFs)または転移性癌(悪性VCFs)に合併する 正常椎骨,良性VCF,悪性VCFの3型分類問題としてVCFの診断をモデル化した。 VCFの診断のための新しい2ストリーム比較コントラストネットワーク(TSCCN)を提案する。
• 参考スコア（独自算出の注目度）: 27.429006312906353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiating Vertebral Compression Fractures (VCFs) associated with trauma and osteoporosis (benign VCFs) or those caused by metastatic cancer (malignant VCFs) are critically important for treatment decisions. So far, automatic VCFs diagnosis is solved in a two-step manner, i.e. first identify VCFs and then classify it into benign or malignant. In this paper, we explore to model VCFs diagnosis as a three-class classification problem, i.e. normal vertebrae, benign VCFs, and malignant VCFs. However, VCFs recognition and classification require very different features, and both tasks are characterized by high intra-class variation and high inter-class similarity. Moreover, the dataset is extremely class-imbalanced. To address the above challenges, we propose a novel Two-Stream Compare and Contrast Network (TSCCN) for VCFs diagnosis. This network consists of two streams, a recognition stream which learns to identify VCFs through comparing and contrasting between adjacent vertebra, and a classification stream which compares and contrasts between intra-class and inter-class to learn features for fine-grained classification. The two streams are integrated via a learnable weight control module which adaptively sets their contribution. The TSCCN is evaluated on a dataset consisting of 239 VCFs patients and achieves the average sensitivity and specificity of 92.56\% and 96.29\%, respectively.
• Abstract（参考訳）: 外傷・骨粗しょう症(良性VCF)や転移性癌(悪性VCF)にともなう椎骨圧迫骨折(VCF)の鑑別は治療決定に極めて重要である。 これまでのところ、VCFsの自動診断は、まずVCFを識別し、良性または悪性に分類する2段階の方法で解決されている。 本稿では,正常椎骨,良性VCF,悪性VCFの3種類の分類問題として,VCFの診断をモデル化する。 しかしながら、VCFの認識と分類は非常に異なる特徴を必要とし、両方のタスクは高いクラス内変異と高いクラス間類似性によって特徴づけられる。 さらに、データセットは極めてクラス不均衡である。 以上の課題に対処するため、VCFの診断のための新しい2ストリーム比較コントラストネットワーク(TSCCN)を提案する。 このネットワークは、2つのストリームから構成されており、隣接する椎体の比較とコントラストによってVCFを識別する認識ストリームと、クラス内とクラス間のコントラストを比較して、きめ細かい分類のための特徴を学習する分類ストリームである。 2つのストリームは、その貢献を適応的に設定する学習可能な重み制御モジュールを介して統合される。 TSCCNは239人のVCF患者からなるデータセットで評価され、それぞれ92.56\%と96.29\%の平均感度と特異性を達成する。

関連論文リスト

• Automated interpretation of congenital heart disease from multi-view echocardiograms [10.238433789459624]
  先天性心疾患(CHD)は、中国で最も多い出生障害であり、新生児死亡の原因となっている。 本研究では,多視点心エコー図を実用的エンドツーエンドのフレームワークで自動解析する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T18:37:21Z)
• RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy Medical Imaging [67.02500668641831]
  ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。 本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。 RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
  論文  参考訳（メタデータ） (2022-10-15T22:32:20Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images [8.103053617559748]
  最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
  論文  参考訳（メタデータ） (2020-11-27T14:06:25Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。