論文の概要: Domain Invariant Model with Graph Convolutional Network for Mammogram Classification

• arxiv url: http://arxiv.org/abs/2204.09954v1
• Date: Thu, 21 Apr 2022 08:23:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 13:54:43.665069
• Title: Domain Invariant Model with Graph Convolutional Network for Mammogram Classification
• Title（参考訳）: マンモグラム分類のためのグラフ畳み込みネットワークを用いた領域不変モデル
• Authors: Churan Wang, Jing Li, Xinwei Sun, Fandong Zhang, Yizhou Yu, Yizhou Wang
• Abstract要約: グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
• 参考スコア（独自算出の注目度）: 49.691629817104925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to its safety-critical property, the image-based diagnosis is desired to achieve robustness on out-of-distribution (OOD) samples. A natural way towards this goal is capturing only clinically disease-related features, which is composed of macroscopic attributes (e.g., margins, shapes) and microscopic image-based features (e.g., textures) of lesion-related areas. However, such disease-related features are often interweaved with data-dependent (but disease irrelevant) biases during learning, disabling the OOD generalization. To resolve this problem, we propose a novel framework, namely Domain Invariant Model with Graph Convolutional Network (DIM-GCN), which only exploits invariant disease-related features from multiple domains. Specifically, we first propose a Bayesian network, which explicitly decomposes the latent variables into disease-related and other disease-irrelevant parts that are provable to be disentangled from each other. Guided by this, we reformulate the objective function based on Variational Auto-Encoder, in which the encoder in each domain has two branches: the domain-independent and -dependent ones, which respectively encode disease-related and -irrelevant features. To better capture the macroscopic features, we leverage the observed clinical attributes as a goal for reconstruction, via Graph Convolutional Network (GCN). Finally, we only implement the disease-related features for prediction. The effectiveness and utility of our method are demonstrated by the superior OOD generalization performance over others on mammogram benign/malignant diagnosis.
• Abstract（参考訳）: 安全性が重要なため,od試料のロバスト性を実現するため,画像ベース診断が望まれる。 この目的に向けた自然な方法は、病変関連領域のマクロな特性(マージン、形状など)と顕微鏡的な画像ベースの特徴(テクスチャなど)からなる臨床疾患関連の特徴のみを捉えることである。 しかし、このような疾患に関連する特徴は、OOD一般化を無効にしながら、学習中にデータ依存的(しかし無関係な)バイアスと織り込まれていることが多い。 この問題を解決するために,複数のドメインから不変な疾患関連機能のみを利用する新しいフレームワーク,すなわちグラフ畳み込みネットワーク(DIM-GCN)を提案する。 具体的には,潜伏変数を病原性その他の疾患関連部位に明示的に分解し,互いに絡み合うことを証明可能なベイズネットワークを提案する。 そこで本研究では,各領域のエンコーダがドメイン非依存型と非依存型という2つのブランチを持つ変分自動エンコーダに基づいて,目的関数を再構成する。 観察した臨床特性を,グラフ畳み込みネットワーク(gcn)による再構築の目標として活用した。 最後に, 疾患関連機能のみを実装した。 本手法の有効性と有用性は,マンモグラム良悪性診断において他者よりも優れたOOD一般化性能により実証された。

関連論文リスト

• Domain Game: Disentangle Anatomical Feature for Single Domain Generalized Segmentation [9.453879758234379]
  医用画像セグメンテーションのための機能ディスタングを行うために,textitDomain Game という新しいフレームワークを提案する。 ドメインゲームでは、特異音源画像から導出されるランダムに変換された画像の集合を戦略的に2つの特徴集合に符号化する。 クロスサイトテスト領域の評価の結果、前立腺のセグメンテーションが約11.8%、脳腫瘍のセグメンテーションが約10.5%向上した。
  論文  参考訳（メタデータ） (2024-06-04T09:10:02Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• A Learnable Counter-condition Analysis Framework for Functional Connectivity-based Neurological Disorder Diagnosis [8.1410193893176]
  本稿では,診断(特徴選択と特徴抽出)と説明を体系的に統合する新しい統合フレームワークを提案する。 最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供し、反条件分析とも呼ばれる。
  論文  参考訳（メタデータ） (2023-10-06T01:33:47Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。