論文の概要: Unsupervised Domain Adaptation for Automated Knee Osteoarthritis Phenotype Classification

• arxiv url: http://arxiv.org/abs/2212.07023v1
• Date: Wed, 14 Dec 2022 04:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:36:19.113373
• Title: Unsupervised Domain Adaptation for Automated Knee Osteoarthritis Phenotype Classification
• Title（参考訳）: 自動変形性膝関節症に対するunsupervised domain Adaptation
• Authors: Junru Zhong, Yongcheng Yao, Donal G. Cahill, Fan Xiao, Siyue Li, Jack Lee, Kevin Ki-Wai Ho, Michael Tim-Yun Ong, James F. Griffith and Weitian Chen
• Abstract要約: 本研究の目的は,小データセットを用いた自動膝関節症(OA)表現型分類における非教師なし領域適応(UDA)の有用性を実証することであった。
• 参考スコア（独自算出の注目度）: 0.8288807499147146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: The aim of this study was to demonstrate the utility of unsupervised domain adaptation (UDA) in automated knee osteoarthritis (OA) phenotype classification using a small dataset (n=50). Materials and Methods: For this retrospective study, we collected 3,166 three-dimensional (3D) double-echo steady-state magnetic resonance (MR) images from the Osteoarthritis Initiative dataset and 50 3D turbo/fast spin-echo MR images from our institute (in 2020 and 2021) as the source and target datasets, respectively. For each patient, the degree of knee OA was initially graded according to the MRI Osteoarthritis Knee Score (MOAKS) before being converted to binary OA phenotype labels. The proposed UDA pipeline included (a) pre-processing, which involved automatic segmentation and region-of-interest cropping; (b) source classifier training, which involved pre-training phenotype classifiers on the source dataset; (c) target encoder adaptation, which involved unsupervised adaption of the source encoder to the target encoder and (d) target classifier validation, which involved statistical analysis of the target classification performance evaluated by the area under the receiver operating characteristic curve (AUROC), sensitivity, specificity and accuracy. Additionally, a classifier was trained without UDA for comparison. Results: The target classifier trained with UDA achieved improved AUROC, sensitivity, specificity and accuracy for both knee OA phenotypes compared with the classifier trained without UDA. Conclusion: The proposed UDA approach improves the performance of automated knee OA phenotype classification for small target datasets by utilising a large, high-quality source dataset for training. The results successfully demonstrated the advantages of the UDA approach in classification on small datasets.
• Abstract（参考訳）: 目的: 本研究の目的は, 小データセット(n=50)を用いた自動膝関節症(OA)表現型分類における非教師なし領域適応(UDA)の有用性を実証することであった。 材料と方法: この振り返り調査では, 関節症イニシアチブデータセットから3,166個の3次元3D-echo定常磁気共鳴(MR)画像, 当研究所(2020年と2021年)から50個の3次元ターボ/高速スピンエコーMR画像を収集した。 各患者の膝oaの程度は,mriの変形性膝関節症スコア(moaks)により評価され,その後2種類のoa表現型に変化した。 提案されたUDAパイプラインには a) 自動セグメンテーション及び興味のある領域の切り込みを含む前処理 b) ソースデータセット上の表現型分類器を事前訓練したソース分類器訓練 (c) ターゲットエンコーダへのソースエンコーダの教師なし適応及び対象エンコーダへの適応を含むターゲットエンコーダ適応 (d)ターゲット分類器の検証は,受信器動作特性曲線(AUROC)の領域,感度,特異性,精度で評価された対象分類性能の統計的解析を含む。 さらに、UDAを使わずに分類器を訓練した。 結果: UDAで訓練した標的分類器は, 両膝OA表現型に対するAUROC, 感度, 特異度, 精度を, UDAで訓練した分類器と比較して改善した。 結論:提案するUDAアプローチは,大規模で高品質なソースデータセットをトレーニングに活用することにより,小さなターゲットデータセットに対する自動膝OA表現型分類の性能を向上させる。 結果は,小データセットの分類におけるUDAアプローチの利点を実証した。

関連論文リスト

• Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
  Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。 本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-10T00:17:07Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Pretraining is All You Need: A Multi-Atlas Enhanced Transformer Framework for Autism Spectrum Disorder Classification [7.790241122137617]
  本稿では,新しいマルチアトラス拡張トランスフォーマフレームワークMETAFormerを提案する。 ABIDE Iデータセットからの静止状態機能型磁気共鳴画像データを利用する。 平均精度は83.7%、AUCスコアは0.832である。
  論文  参考訳（メタデータ） (2023-07-04T15:00:06Z)
• Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation [0.0]
  ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。 本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。 提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T13:46:49Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Coherence Learning using Keypoint-based Pooling Network for Accurately Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
  膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。 現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。 本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T19:59:13Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Unsupervised Doppler Radar-Based Activity Recognition for e-healthcare [1.5749416770494706]
  本研究では,ドップラーストリームを用いた人間行動監視のための非監視フレームワークを提案する。 前者の場合、Convolutional Variational Autoencoder (CVAE) を使用したエンコードされた機能は、Convolutional Autoencoder (CAE) 機能と比較される。 その結果, PCA, SVD, CAEに比べ, CVAE, GLCMが20%以上の精度で優れていた。
  論文  参考訳（メタデータ） (2021-03-18T18:55:42Z)

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。