論文の概要: Evidence-aware multi-modal data fusion and its application to total knee replacement prediction

• arxiv url: http://arxiv.org/abs/2303.13810v1
• Date: Fri, 24 Mar 2023 05:06:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 15:35:52.174957
• Title: Evidence-aware multi-modal data fusion and its application to total knee replacement prediction
• Title（参考訳）: Evidence-aware multi-modal data fusion と人工膝置換予測への応用
• Authors: Xinwen Liu, Jing Wang, S. Kevin Zhou, Craig Engstrom, Shekhar S. Chandra
• Abstract要約: Dempster-Shafer理論(DST)に基づくエビデンス対応マルチモーダルデータ融合フレームワークを提案する。 各ブランチには、抽出した特徴を入力として取り出してエビデンススコアを出力するエビデンスネットワークがある。 出力確率と複数の分岐からのエビデンススコアは、デンプスターの組合せ規則と組み合わせて最終的な予測を行う。
• 参考スコア（独自算出の注目度）: 13.911877617352154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have been widely studied for predicting a medical condition, such as total knee replacement (TKR). It has shown that data of different modalities, such as imaging data, clinical variables and demographic information, provide complementary information and thus can improve the prediction accuracy together. However, the data sources of various modalities may not always be of high quality, and each modality may have only partial information of medical condition. Thus, predictions from different modalities can be opposite, and the final prediction may fail in the presence of such a conflict. Therefore, it is important to consider the reliability of each source data and the prediction output when making a final decision. In this paper, we propose an evidence-aware multi-modal data fusion framework based on the Dempster-Shafer theory (DST). The backbone models contain an image branch, a non-image branch and a fusion branch. For each branch, there is an evidence network that takes the extracted features as input and outputs an evidence score, which is designed to represent the reliability of the output from the current branch. The output probabilities along with the evidence scores from multiple branches are combined with the Dempster's combination rule to make a final prediction. Experimental results on the public OA initiative (OAI) dataset for the TKR prediction task show the superiority of the proposed fusion strategy on various backbone models.
• Abstract（参考訳）: ディープニューラルネットワークは、人工膝置換(TKR)などの医療状態を予測するために広く研究されている。 画像データ, 臨床変数, 人口統計情報などの異なる形態のデータが補完的情報を提供し, 予測精度を共に向上できることを示した。 しかし、様々なモダリティのデータソースは必ずしも高品質であるとは限らないし、それぞれのモダリティは医療条件の部分的な情報しか持たないかもしれない。 したがって、異なるモダリティからの予測は反対であり、最終的な予測はそのような矛盾が存在する場合に失敗する可能性がある。 したがって、最終決定を行う際に、各ソースデータの信頼性と予測出力を考慮することが重要である。 本稿では,DST(Dempster-Shafer theory)に基づくエビデンス対応マルチモーダルデータ融合フレームワークを提案する。 バックボーンモデルにはイメージブランチ、非イメージブランチ、フュージョンブランチが含まれる。 各ブランチには、抽出された特徴を入力として出力するエビデンスネットワークがあり、これは現在のブランチからの出力の信頼性を表すように設計されている。 複数の支店からの証拠スコアと共に出力確率をデンプスターの組合せ則と組み合わせて最終的な予測を行う。 TKR予測タスクのための公共OAイニシアチブ(OAI)データセットの実験結果は、様々なバックボーンモデル上で提案された融合戦略の優位性を示している。

関連論文リスト

• M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
  本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。 画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
  論文  参考訳（メタデータ） (2024-08-08T02:31:04Z)
• Bayesian Joint Additive Factor Models for Multiview Learning [7.254731344123118]
  マルチオミクスデータが収集され、臨床結果と相関する精度医学の文脈でモチベーション応用が生じる。 本稿では,共有およびビュー固有のコンポーネントを考慮に入れた,構造化された付加的設計を伴うJAFAR(Joint Additive Factor regression model)を提案する。 免疫,メタボローム,プロテオームデータから得られた時間とラベルの発症の予測は,最先端の競合相手に対するパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-06-02T15:35:45Z)
• MultiFIX: An XAI-friendly feature inducing approach to building models from multimodal data [0.0]
  MultiFIXは、新しい解釈可能性にフォーカスしたマルチモーダルデータ融合パイプラインである。 エンドツーエンドのディープラーニングアーキテクチャは、予測モデルをトレーニングするために使用されます。 悪性皮膚病変の検出のために,MultiFIXを公開データセットに適用した。
  論文  参考訳（メタデータ） (2024-02-19T14:45:46Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• PheME: A deep ensemble framework for improving phenotype prediction from multi-modal data [42.56953523499849]
  PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。 我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
  論文  参考訳（メタデータ） (2023-03-19T23:41:04Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。