論文の概要: Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI
- arxiv url: http://arxiv.org/abs/2301.08959v1
- Date: Sat, 21 Jan 2023 15:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 15:30:17.891294
- Title: Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI
- Title（参考訳）: 犬のMRIからの2相変形場を用いた心疾患分類のための逐次サブスペース学習
- Authors: Xiaofeng Liu, Fangxu Xing, Hanna K. Gaggin, C.-C. Jay Kuo, Georges El
Fakhri, Jonghye Woo
- Abstract要約: 本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
- 参考スコア（独自算出の注目度）: 36.044984400761535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac cine magnetic resonance imaging (MRI) has been used to characterize
cardiovascular diseases (CVD), often providing a noninvasive phenotyping
tool.~While recently flourished deep learning based approaches using cine MRI
yield accurate characterization results, the performance is often degraded by
small training samples. In addition, many deep learning models are deemed a
``black box," for which models remain largely elusive in how models yield a
prediction and how reliable they are. To alleviate this, this work proposes a
lightweight successive subspace learning (SSL) framework for CVD
classification, based on an interpretable feedforward design, in conjunction
with a cardiac atlas. Specifically, our hierarchical SSL model is based on (i)
neighborhood voxel expansion, (ii) unsupervised subspace approximation, (iii)
supervised regression, and (iv) multi-level feature integration. In addition,
using two-phase 3D deformation fields, including end-diastolic and end-systolic
phases, derived between the atlas and individual subjects as input offers
objective means of assessing CVD, even with small training samples. We evaluate
our framework on the ACDC2017 database, comprising one healthy group and four
disease groups. Compared with 3D CNN-based approaches, our framework achieves
superior classification performance with 140$\times$ fewer parameters, which
supports its potential value in clinical use.
- Abstract（参考訳）: 心臓血管MRIは、心臓血管疾患(CVD)の特徴付けに用いられ、しばしば非侵襲的な表現型ツールを提供する。
近年,シネMRIを用いた深層学習に基づくアプローチで精度の高い評価結果が得られたが,その性能は小さなトレーニングサンプルで劣化することが多かった。
さらに、多くのディープラーニングモデルが‘ブラックボックス’と見なされており、モデルがどのように予測を導き、どの程度信頼性があるかという点でモデルはほとんど理解できない。
そこで本研究では,心アトラスと連動して,解釈可能なフィードフォワード設計に基づくcvd分類のための軽量連続サブスペース学習(ssl)フレームワークを提案する。
具体的には、我々の階層型SSLモデルは、
(i)近隣のボクセル膨張
(ii)教師なし部分空間近似
(iii)回帰を監督し、
(iv)マルチレベル機能統合。
さらに、入力としてアトラスと個々の被験者の間で誘導される2相の3次元変形場を用いて、小さなトレーニングサンプルであってもCVDを評価する客観的手段を提供する。
1つの健康グループと4つの疾患グループからなるadcdc2017データベース上でフレームワークを評価した。
3D CNNベースのアプローチと比較して,本フレームワークは140$\times$少ないパラメータで優れた分類性能を達成し,臨床応用におけるその潜在的価値を裏付ける。
関連論文リスト
- Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。
本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文 参考訳（メタデータ） (2024-11-25T13:53:26Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - A Machine Learning Case Study for AI-empowered echocardiography of
Intensive Care Unit Patients in low- and middle-income countries [0.0]
LMICにおけるICU患者のデータを用いたリアルタイムAIを用いた心エコー図法における臨床翻訳の課題について,機械学習(ML)を用いた研究事例を報告する。
LMICにおける31人のICU患者の2D Ultrasoundビデオのデータ作成、キュレーション、ラベル付け、および3つのより薄いニューラルネットワークのモデル選択、検証、デプロイにより、心尖四面体ビューを分類する。
論文 参考訳（メタデータ） (2022-12-30T01:41:48Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Intermediate Layers Matter in Momentum Contrastive Self Supervised
Learning [1.933681537640272]
自己教師付き学習において,画像の2つの拡張版を中間層で表現することで,モーメントコントラスト(MoCo)法の改善が期待できることを示す。
特徴類似性分析とレイヤワイズ探索を用いて,新しい手法を用いて学習したモデルを分析する。
論文 参考訳（メタデータ） (2021-10-27T22:40:41Z) - 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) - Segmentation of Cardiac Structures via Successive Subspace Learning with
Saab Transform from Cine MRI [29.894633364282555]
本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。
左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-07-22T14:50:48Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - 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) - VoxelHop: Successive Subspace Learning for ALS Disease Classification
Using Structural MRI [30.469124322749828]
Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。
一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。
我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
論文 参考訳（メタデータ） (2021-01-13T15:25:57Z)
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。