論文の概要: Medical Knowledge-Guided Deep Curriculum Learning for Elbow Fracture
Diagnosis from X-Ray Images
- arxiv url: http://arxiv.org/abs/2110.10381v1
- Date: Wed, 20 Oct 2021 05:24:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:20:40.252035
- Title: Medical Knowledge-Guided Deep Curriculum Learning for Elbow Fracture
Diagnosis from X-Ray Images
- Title（参考訳）: X線画像による肘骨折診断のための知識指導深部学習
- Authors: Jun Luo, Gene Kitamura, Emine Doganay, Dooman Arefan, Shandong Wu
- Abstract要約: 肘X線画像から肘骨折を診断するための新しい深層学習法を提案する。
本手法では,各トレーニングエポックの開始時に,リプレースせずにサンプリングによってトレーニングデータを置換する。
各トレーニングサンプルのサンプリング確率は、ヒトの専門家による臨床知識に基づいて構築されたスコア基準によって導かれる。
- 参考スコア（独自算出の注目度）: 4.5617336730758735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Elbow fractures are one of the most common fracture types. Diagnoses on elbow
fractures often need the help of radiographic imaging to be read and analyzed
by a specialized radiologist with years of training. Thanks to the recent
advances of deep learning, a model that can classify and detect different types
of bone fractures needs only hours of training and has shown promising results.
However, most existing deep learning models are purely data-driven, lacking
incorporation of known domain knowledge from human experts. In this work, we
propose a novel deep learning method to diagnose elbow fracture from elbow
X-ray images by integrating domain-specific medical knowledge into a curriculum
learning framework. In our method, the training data are permutated by sampling
without replacement at the beginning of each training epoch. The sampling
probability of each training sample is guided by a scoring criterion
constructed based on clinically known knowledge from human experts, where the
scoring indicates the diagnosis difficultness of different elbow fracture
subtypes. We also propose an algorithm that updates the sampling probabilities
at each epoch, which is applicable to other sampling-based curriculum learning
frameworks. We design an experiment with 1865 elbow X-ray images for a
fracture/normal binary classification task and compare our proposed method to a
baseline method and a previous method using multiple metrics. Our results show
that the proposed method achieves the highest classification performance. Also,
our proposed probability update algorithm boosts the performance of the
previous method.
- Abstract（参考訳）: 肘骨折は最も一般的な骨折の1つである。
肘骨折の診断は、長年の訓練を受けた専門の放射線技師によって読み取られるように、画像診断の助けを必要とすることが多い。
近年のディープラーニングの進歩により、異なるタイプの骨骨折を分類し、検出できるモデルは、トレーニングの数時間しか必要とせず、有望な結果を示している。
しかし、既存のディープラーニングモデルのほとんどは純粋にデータ駆動であり、人間の専門家による既知のドメイン知識が組み込まれていない。
本研究では,領域固有の医学知識をカリキュラム学習フレームワークに統合することにより,肘x線画像から肘関節骨折を診断する新しい深層学習法を提案する。
本手法では,各トレーニングエポックの開始時に,置換することなくサンプリングによってトレーニングデータを置換する。
各トレーニングサンプルのサンプリング確率は、ヒトの専門家による臨床知識に基づいて構築されたスコア基準により誘導され、スコアは異なる肘骨折サブタイプの診断困難度を示す。
また,他のサンプリング型カリキュラム学習フレームワークに適用可能な,各時代におけるサンプリング確率を更新するアルゴリズムを提案する。
フラクチャー/ノーマルバイナリ分類タスクのための1865個の肘X線画像を用いた実験を設計し,提案手法をベースライン法と従来手法との比較を行った。
その結果,提案手法が最も高い分類性能が得られることがわかった。
また,提案する確率更新アルゴリズムにより,従来の手法の性能が向上する。
関連論文リスト
- Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
胸部X線異常検出は重要な課題である。
近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。
凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
論文 参考訳（メタデータ） (2024-05-20T12:11:41Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New
Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。
我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。
このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文 参考訳（メタデータ） (2022-08-29T04:34:15Z) - Faint Features Tell: Automatic Vertebrae Fracture Screening Assisted by
Contrastive Learning [11.944282446506396]
長期の脊椎骨折は患者の生活の質に深刻な影響を与え、気胸、腰椎変形、さらには麻痺を引き起こしている。
特に、深層学習モデルや経験の浅い医師では、軽度の骨折と正常なコントロールを区別することは極めて困難である。
そこで本研究では,CTスキャンを用いてGenentの脊椎骨折度を推定するための教師付きコントラスト学習ベースモデルを提案する。
両分類では99%,感度は85%,マクロF1は77%であった。
論文 参考訳（メタデータ） (2022-08-23T02:39:08Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Knowledge-Guided Multiview Deep Curriculum Learning for Elbow Fracture
Classification [4.305082635886227]
肘部骨折の診断には, 肘X線像の正面像と側方像の両方を撮影する必要があることが多い。
肘骨折サブタイプ分類課題に対する多視点深層学習法を提案する。
論文 参考訳（メタデータ） (2021-10-20T05:42:20Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Curriculum learning for improved femur fracture classification:
scheduling data with prior knowledge and uncertainty [36.54112505898611]
畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折の3および7AOクラスへの自動分類法を提案する。
我々の新しい定式化は、トレーニングサンプルを個別に重み付けし、トレーニングセットを再順序付けし、データのサブセットをサンプリングする3つのカリキュラム戦略を再結合する。
このカリキュラムは、経験豊富な外傷外科医のパフォーマンスまで、大腿骨近位部骨折分類を改善している。
論文 参考訳（メタデータ） (2020-07-31T14:28:33Z) - Medical-based Deep Curriculum Learning for Improved Fracture
Classification [36.54112505898611]
我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。
我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。
以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
論文 参考訳（メタデータ） (2020-04-01T14:56:43Z)
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。