論文の概要: Key-Exchange Convolutional Auto-Encoder for Data Augmentation in Early
Knee OsteoArthritis Classification
- arxiv url: http://arxiv.org/abs/2302.13336v1
- Date: Sun, 26 Feb 2023 15:45:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 17:46:54.418631
- Title: Key-Exchange Convolutional Auto-Encoder for Data Augmentation in Early
Knee OsteoArthritis Classification
- Title(参考訳): 早期膝関節炎分類におけるデータ拡張のためのキー交換畳み込み自動エンコーダ
- Authors: Zhe Wang and Aladine Chetouani and Rachid Jennane
- Abstract要約: 膝骨関節炎(KOA)は高齢者の移動を損なう筋骨格疾患である。
畳み込み型オートエンコーダに基づく学習モデルと,KOA早期診断のための新たなデータを生成するハイブリッド損失戦略を提案する。
- 参考スコア(独自算出の注目度): 9.400820679110147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knee OsteoArthritis (KOA) is a prevalent musculoskeletal condition that
impairs the mobility of senior citizens. The lack of sufficient data in the
medical field is always a challenge for training a learning model due to the
high cost of labelling. At present, Deep neural network training strongly
depends on data augmentation to improve the model's generalization capability
and avoid over-fitting. However, existing data augmentation operations, such as
rotation, gamma correction, etc., are designed based on the original data,
which does not substantially increase the data diversity. In this paper, we
propose a learning model based on the convolutional Auto-Encoder and a hybrid
loss strategy to generate new data for early KOA (KL-0 vs KL-2) diagnosis. Four
hidden layers are designed among the encoder and decoder, which represent the
key and unrelated features of each input, respectively. Then, two key feature
vectors are exchanged to obtain the generated images. To do this, a hybrid loss
function is derived using different loss functions with optimized weights to
supervise the reconstruction and key-exchange learning. Experimental results
show that the generated data are valid as they can significantly improve the
model's classification performance.
- Abstract(参考訳): 変形性膝関節症(koa)は高齢者の移動を阻害する筋骨格疾患である。
医療分野における十分なデータ不足は、ラベル付けのコストが高いため、学習モデルのトレーニングにおいて常に課題となる。
現在、ディープニューラルネットワークトレーニングは、モデルの一般化能力を改善し、過度な適合を避けるために、データ拡張に強く依存している。
しかし、ローテーション、ガンマ補正等の既存のデータ拡張操作は、元のデータに基づいて設計されており、データの多様性を実質的に増やさない。
本稿では、畳み込み型オートエンコーダに基づく学習モデルと、初期のKOA(KL-0 vs KL-2)診断のための新しいデータを生成するハイブリッド損失戦略を提案する。
エンコーダとデコーダの間には4つの隠蔽層が設計されており、各入力のキーと無関係の特徴をそれぞれ表現している。
そして、2つのキー特徴ベクトルを交換して生成された画像を得る。
これを実現するために、再構成と鍵交換学習を監督するために最適化された重み付き異なる損失関数を用いてハイブリッド損失関数を導出する。
実験結果から, 生成したデータは, モデルの分類性能を大幅に向上できることを示す。
関連論文リスト
- Generalizable automated ischaemic stroke lesion segmentation with vision transformers [0.7400397057238803]
拡散強調画像(DWI)は虚血性脳梗塞において最も高い発現率を示す。
したがって、現在のU-Netベースのモデルは、不適切な評価指標によってアクセント付けられる問題として、性能が劣っている。
本稿ではこれらの課題に対処する高性能なDWI病変分割ツールを提案する。
論文 参考訳(メタデータ) (2025-02-10T19:00:00Z) - Enhancing Osteoporosis Detection: An Explainable Multi-Modal Learning Framework with Feature Fusion and Variable Clustering [6.196283036344105]
骨粗しょう症は、特に高齢者の骨折リスクを高める一般的な病態である。
本研究は,臨床および画像データを統合し,診断精度とモデル解釈性を向上させる新しい多モード学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-01T13:58:15Z) - Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。
このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。
その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
論文 参考訳(メタデータ) (2024-07-22T10:31:07Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - 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) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Transformer with Selective Shuffled Position Embedding and Key-Patch
Exchange Strategy for Early Detection of Knee Osteoarthritis [7.656764569447645]
膝骨関節炎(KOA)は、高齢者の運動に深刻な影響を与える筋骨格障害である。
不十分な医療データは、データラベリングに伴う高コストのため、モデルを効果的に訓練する上で重要な障害となる。
本稿では,従来のSelective Shuffled Position Embedding (SSPE) とキーパッチ交換戦略を用いたビジョントランスフォーマー(ViT)モデルに基づく新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-04-17T15:26:42Z) - 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) - 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)
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。