論文の概要: An Unsupervised Deep-Learning Method for Bone Age Assessment
- arxiv url: http://arxiv.org/abs/2206.05641v1
- Date: Sun, 12 Jun 2022 02:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 11:32:44.538593
- Title: An Unsupervised Deep-Learning Method for Bone Age Assessment
- Title（参考訳）: 骨年齢評価のための教師なし深層学習法
- Authors: Hao Zhu, Wan-Jing Nie, Yue-Jie Hou, Qi-Meng Du, Si-Jing Li, and
Chi-Chun Zhou
- Abstract要約: 骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。
本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。
北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
- 参考スコア（独自算出の注目度）: 4.227079957387361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The bone age, reflecting the degree of development of the bones, can be used
to predict the adult height and detect endocrine diseases of children. Both
examinations of radiologists and variability of operators have a significant
impact on bone age assessment. To decrease human intervention , machine
learning algorithms are used to assess the bone age automatically. However,
conventional supervised deep-learning methods need pre-labeled data. In this
paper, based on the convolutional auto-encoder with constraints (CCAE), an
unsupervised deep-learning model proposed in the classification of the
fingerprint, we propose this model for the classification of the bone age and
baptize it BA-CCAE. In the proposed BA-CCAE model, the key regions of the raw
X-ray images of the bone age are encoded, yielding the latent vectors. The
K-means clustering algorithm is used to obtain the final classifications by
grouping the latent vectors of the bone images. A set of experiments on the
Radiological Society of North America pediatric bone age dataset (RSNA) show
that the accuracy of classifications at 48-month intervals is 76.15%. Although
the accuracy now is lower than most of the existing supervised models, the
proposed BA-CCAE model can establish the classification of bone age without any
pre-labeled data, and to the best of our knowledge, the proposed BA-CCAE is one
of the few trails using the unsupervised deep-learning method for the bone age
assessment.
- Abstract（参考訳）: 骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。
放射線技師の診察とオペレーターの多様性は骨年齢評価に大きな影響を及ぼす。
人間の介入を減らすために、自動的に骨年齢を評価するために機械学習アルゴリズムが使用される。
しかし、従来の教師付きディープラーニング手法では、事前ラベル付きデータが必要である。
本稿では,指紋の分類における教師なし深層学習モデルである制約付き畳み込みオートエンコーダ(CCAE)に基づいて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。
提案したBA-CCAEモデルでは, 骨年齢の生X線画像のキー領域を符号化し, 潜伏ベクトルを生成する。
k平均クラスタリングアルゴリズムは、骨画像の潜在ベクトルをグループ化して最終分類を得るために用いられる。
北米放射線学会(Radiological Society of North America pediatric bone age dataset, RSNA)は、48ヶ月間隔での分類の精度が76.15%であることを示した。
BA-CCAEの精度は既存の多くの教師付きモデルよりも低いが,提案したBA-CCAEモデルは,事前にラベル付けされたデータなしで骨年齢の分類を確立でき,我々の知る限り,提案したBA-CCAEは,教師なし深層学習法を用いて骨年齢評価を行う数少ない道の1つである。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - 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 Learning for Predicting Progression of Patellofemoral
Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and
Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。
PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。
年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文 参考訳（メタデータ） (2023-05-10T06:43:33Z) - Pediatric Bone Age Assessment using Deep Learning Models [0.0]
骨年齢アセスメント(BAA)は、骨格年齢と慢性年齢の年齢差を決定する標準的な方法である。
本研究では,VGG-16,InceptionV3,XceptionNet,MobileNetなどの事前学習モデルを用いて,入力データの骨年齢を評価する。
論文 参考訳（メタデータ） (2022-07-20T19:43:38Z) - Using machine learning on new feature sets extracted from 3D models of
broken animal bones to classify fragments according to break agent [53.796331564067835]
ホミニン骨破壊による骨片と肉食動物による骨片の識別を目的とした骨折パターン解析への新しいアプローチを提案する。
この方法では、断片的な骨の3Dモデルを用いて、これまで骨折パターン解析に使用されていた特徴セットよりも透明性が高くレプリカ性の高いデータセットを抽出する。
監視された機械学習アルゴリズムは、骨断片を破片のエージェントに従って適切に分類するために使用され、平均的精度はテスト全体で77%である。
論文 参考訳（メタデータ） (2022-05-20T20:16:21Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Ridge Regression Neural Network for Pediatric Bone Age Assessment [1.1501261942096426]
骨年齢の遅れや増加は小児科医にとって深刻な懸念である。
骨年齢評価のための統合型深層学習フレームワークを事例分割と隆起回帰を用いて導入する。
論文 参考訳（メタデータ） (2021-04-15T21:38:22Z) - 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) - Doctor Imitator: Hand-Radiography-based Bone Age Assessment by Imitating
Scoring Methods [16.48267479601728]
我々は,Dr. Imitator (DI) と呼ばれる手指X線写真を用いた骨年齢評価のための新しいグラフベース深層学習フレームワークを提案する。
DDIは,手形画像における解剖学的関心領域(ROI)の局所的特徴を捉え,提案したグループ・コンボリューションによるROIスコアを予測する。
さらに、患者固有のROI特徴に対する注意度とROIスコアに対する文脈注意度を計算するための、新しいデュアルグラフベースのアテンションモジュールを開発した。
論文 参考訳（メタデータ） (2021-02-10T13:45:39Z) - Age-Net: An MRI-Based Iterative Framework for Brain Biological Age
Estimation [18.503467872057424]
生物学的年齢(BA)の概念は、主に明確に定義された基準基準が欠如していることから理解するのが困難である。
臓器特異的BA推定のための新しい画像ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-22T19:04:02Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。