論文の概要: Geometry-Aware Latent Representation Learning for Modeling Disease
Progression of Barrett's Esophagus
- arxiv url: http://arxiv.org/abs/2303.12711v1
- Date: Fri, 17 Mar 2023 14:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 03:08:11.334943
- Title: Geometry-Aware Latent Representation Learning for Modeling Disease
Progression of Barrett's Esophagus
- Title（参考訳）: バレット食道病変のモデル化のための幾何学的潜在表現学習
- Authors: Vivien van Veldhuizen
- Abstract要約: Barrett's Esophagus(BE)は食道腺癌(EAC)の唯一の前駆体である
変分オートエンコーダ(VAE)による教師なし表現学習は、将来性を示す。
VAEは入力データを有用な特徴しか持たない低次元多様体にマッピングする。
$mathcalS$-VAEは、バニラVAEよりも優れたリコンストラクション損失、表現分類精度、高品質な生成画像でパフォーマンスが向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Barrett's Esophagus (BE) is the only precursor known to Esophageal
Adenocarcinoma (EAC), a type of esophageal cancer with poor prognosis upon
diagnosis. Therefore, diagnosing BE is crucial in preventing and treating
esophageal cancer. While supervised machine learning supports BE diagnosis,
high interobserver variability in histopathological training data limits these
methods. Unsupervised representation learning via Variational Autoencoders
(VAEs) shows promise, as they map input data to a lower-dimensional manifold
with only useful features, characterizing BE progression for improved
downstream tasks and insights. However, the VAE's Euclidean latent space
distorts point relationships, hindering disease progression modeling. Geometric
VAEs provide additional geometric structure to the latent space, with RHVAE
assuming a Riemannian manifold and $\mathcal{S}$-VAE a hyperspherical manifold.
Our study shows that $\mathcal{S}$-VAE outperforms vanilla VAE with better
reconstruction losses, representation classification accuracies, and
higher-quality generated images and interpolations in lower-dimensional
settings. By disentangling rotation information from the latent space, we
improve results further using a group-based architecture. Additionally, we take
initial steps towards $\mathcal{S}$-AE, a novel autoencoder model generating
qualitative images without a variational framework, but retaining benefits of
autoencoders such as stability and reconstruction quality.
- Abstract（参考訳）: バレット食道癌(barrett's esophagus、be)は、診断時に予後不良の食道癌の一種である食道腺癌(eac)の唯一の前駆体である。
食道癌の予防と治療にはbeの診断が不可欠である。
教師付き機械学習は診断をサポートするが、病理組織学トレーニングデータにおける高い相互オブザーバ変動はこれらの方法を制限する。
変分オートエンコーダ(vaes)による教師なし表現学習は、入力データを有用な機能のみを持つ低次元多様体にマッピングし、下流タスクと洞察を改善するためのbe進行を特徴付けるので、promiseを示す。
しかしながら、VAEのユークリッド潜伏空間は点関係を歪め、疾患進行モデリングを妨げる。
幾何学的vaesは潜在空間に幾何学的構造を与え、rhvae はリーマン多様体を、$\mathcal{s}$-vae は超球面多様体を仮定する。
我々の研究は、$\mathcal{S}$-VAEがバニラVAEより優れた再構成損失、表現分類精度、高画質な画像および低次元環境下での補間性能を示した。
回転情報を潜伏空間から切り離すことにより、グループベースアーキテクチャを用いて結果をさらに改善する。
さらに,安定性や再構成品質といったオートエンコーダの利点を保ちつつも,定性的な画像を生成する新しいオートエンコーダモデルである$\mathcal{S}$-AE への初期ステップも行う。
関連論文リスト
- Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。
腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
論文 参考訳（メタデータ） (2024-06-04T16:47:47Z) - Mitigating annotation shift in cancer classification using single image generative models [1.1864334278373239]
本研究は乳房マンモグラフィー領域における癌分類におけるアノテーションシフトをシミュレートし,解析し,緩和する。
本研究では, 影響のあるクラスに対して, 単一画像生成モデルに基づくトレーニングデータ拡張手法を提案する。
本研究は、深層学習乳癌分類におけるアノテーションシフトに関する重要な知見を提供し、ドメインシフトの課題を克服するための単一画像生成モデルの可能性を探る。
論文 参考訳（メタデータ） (2024-05-30T07:02:50Z) - MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。
自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
論文 参考訳（メタデータ） (2024-03-18T06:19:37Z) - 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) - Riemannian Prediction of Anatomical Diagnoses in Congenital Heart
Disease based on 12-lead ECGs [2.090217662115913]
先天性心疾患(英: Congenital heart disease、CHD)は、出生時の患者に影響を及ぼし、非常に異質な解剖学的、機能的欠陥をもたらす比較的稀な疾患である。
12誘導ECGシグナルは、疾患予後のための重要なバイオマーカーを提供するため、CHD患者で定期的に収集される。
論文 参考訳（メタデータ） (2023-11-27T13:40:27Z) - Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳（メタデータ） (2023-11-27T11:12:33Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - 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) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。