論文の概要: Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI

• arxiv url: http://arxiv.org/abs/2103.10056v1
• Date: Thu, 18 Mar 2021 07:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 14:06:21.477796
• Title: Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI
• Title（参考訳）: 厚みスライスMRIにおける小標本サイズと弱視による認知症重症度分類
• Authors: Reza Shirkavand, Sana Ayromlou, Soroush Farghadani, Maedeh-sadat Tahaei, Fattane Pourakpour, Bahareh Siahlou, Zeynab Khodakarami, Mohammad H. Rohban, Mansoor Fatehi, and Hamid R. Rabiee
• Abstract要約: 認知症早期発見は支援戦略の発達において重要な役割を担っている。 視覚的バイオマーカーを用いてFazekasスケールに基づいて疾患の重症度を分類することを提案する。 MRIスタック全体に重症度ラベルを割り当てる形での小さなトレーニングサンプルサイズと弱い監督は、主な課題の一つです。
• 参考スコア（独自算出の注目度）: 3.0681909921734416
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early detection of dementia through specific biomarkers in MR images plays a critical role in developing support strategies proactively. Fazekas scale facilitates an accurate quantitative assessment of the severity of white matter lesions and hence the disease. Imaging Biomarkers of dementia are multiple and comprehensive documentation of them is time-consuming. Therefore, any effort to automatically extract these biomarkers will be of clinical value while reducing inter-rater discrepancies. To tackle this problem, we propose to classify the disease severity based on the Fazekas scale through the visual biomarkers, namely the Periventricular White Matter (PVWM) and the Deep White Matter (DWM) changes, in the real-world setting of thick-slice MRI. Small training sample size and weak supervision in form of assigning severity labels to the whole MRI stack are among the main challenges. To combat the mentioned issues, we have developed a deep learning pipeline that employs self-supervised representation learning, multiple instance learning, and appropriate pre-processing steps. We use pretext tasks such as non-linear transformation, local shuffling, in- and out-painting for self-supervised learning of useful features in this domain. Furthermore, an attention model is used to determine the relevance of each MRI slice for predicting the Fazekas scale in an unsupervised manner. We show the significant superiority of our method in distinguishing different classes of dementia compared to state-of-the-art methods in our mentioned setting, which improves the macro averaged F1-score of state-of-the-art from 61% to 76% in PVWM, and from 58% to 69.2% in DWM.
• Abstract（参考訳）: MR画像中の特定のバイオマーカーによる認知症の早期発見は、積極的に支援戦略を開発する上で重要な役割を担っている。 fazekasスケールは、白質病変の重症度とそれによる疾患の正確な定量的評価を促進する。 認知症のバイオマーカーは多種多様で包括的文書化には時間がかかる。 したがって、これらのバイオマーカーを自動的に抽出する努力は、レイター間の相違を減らしながら臨床的に価値がある。 そこで本研究では,Fazekasスケールによる重症度を,心室中白質 (PVWM) と深部白質 (DWM) の変化による視覚的バイオマーカーによって分類することを提案する。 MRIスタック全体への重度ラベルの割り当てという形での、小さなトレーニングサンプルサイズと弱い監督が主な課題である。 上記の問題に対処するために,自己教師付き表現学習,複数インスタンス学習,適切な前処理ステップを活用するディープラーニングパイプラインを開発した。 この領域で有用な機能の自己教師あり学習には,非線形変換,局所シャッフル,イン・アンド・アウト・ペインティングなどのプリテキストタスクを用いる。 さらに、注意モデルを用いて、ファゼカススケールを教師なしで予測するための各MRIスライスの関連性を決定する。 以上の結果から, 認知症分類において, 認知症分類の分類において, マクロ平均f1スコアをpvwmでは61%から76%に, dwmでは58%から69.2%に改善した。

関連論文リスト

• Spatio-Temporal Similarity Measure based Multi-Task Learning for Predicting Alzheimer's Disease Progression using MRI Data [18.669489433316127]
  本稿では,アルツハイマー病の進行を効果的に予測するための,新しい時間的類似度尺度に基づくマルチタスク学習手法を提案する。 また, バイオマーカー間の関係の変化を識別するために, 縦方向の安定性の選択を行うことも可能である。 本研究では,皮質体積および表面積の相乗的劣化指標が認知的予測に有意な影響を及ぼすことを証明した。
  論文  参考訳（メタデータ） (2023-11-06T21:59:19Z)
• Self-Supervised Learning of Gait-Based Biomarkers [0.0]
  マーカーレスモーションキャプチャー(MMC)は、よりアクセスしやすくすることで、臨床環境で歩行分析に革命をもたらしている。 画像処理から自然言語処理まで、さまざまな分野において、大量の無注釈データからの自己教師付き学習(SSL)は下流タスクに非常に効果的な表現をもたらす。 注釈のない歩行データに対する対照的な学習は、臨床的に意味のある情報をキャプチャする表現を学習する。
  論文  参考訳（メタデータ） (2023-07-30T21:04:17Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Deep Learning-Based Assessment of Cerebral Microbleeds in COVID-19 [0.5382679710017695]
  脳微小血腫(CMBs)は感受性強調画像(SWI)から低強度で観察される 新型コロナウイルスに関する最近の研究は、新型コロナウイルス感染者のCMBの増加を示している。 既存のディープラーニング手法はほとんどが、非常に限られた研究データに基づいて訓練されている。 マルチドメインデータに積極的に学習する効率的な3次元ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-23T08:46:17Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups [1.4585861543119112]
  我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。 我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
  論文  参考訳（メタデータ） (2022-02-23T13:57:35Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)

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。