論文の概要: Multi-Modality Multi-Scale Cardiovascular Disease Subtypes
Classification Using Raman Image and Medical History
- arxiv url: http://arxiv.org/abs/2304.09322v1
- Date: Tue, 18 Apr 2023 22:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 16:06:21.410341
- Title: Multi-Modality Multi-Scale Cardiovascular Disease Subtypes
Classification Using Raman Image and Medical History
- Title（参考訳）: ラマン画像と医療履歴を用いたマルチモダリティマルチスケール心血管疾患サブタイプ分類
- Authors: Bo Yu, Hechang Chen, Chengyou Jia, Hongren Zhou, Lele Cong, Xiankai
Li, Jianhui Zhuang, Xianling Cong
- Abstract要約: これらの問題に対処する2つのコアモジュールを持つ新しいディープラーニング手法であるM3Sというマルチモードマルチスケールモデルを提案する。
まず,図形角度場(GAF)による様々な解像度画像にRSデータを変換してニュアンスを拡大する。
第2に、RSと医療履歴データを組み合わせて分類能力を高めるために、確率行列と重み行列を用いる。
- 参考スコア（独自算出の注目度）: 2.9315342447802317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Raman spectroscopy (RS) has been widely used for disease diagnosis, e.g.,
cardiovascular disease (CVD), owing to its efficiency and component-specific
testing capabilities. A series of popular deep learning methods have recently
been introduced to learn nuance features from RS for binary classifications and
achieved outstanding performance than conventional machine learning methods.
However, these existing deep learning methods still confront some challenges in
classifying subtypes of CVD. For example, the nuance between subtypes is quite
hard to capture and represent by intelligent models due to the chillingly
similar shape of RS sequences. Moreover, medical history information is an
essential resource for distinguishing subtypes, but they are underutilized. In
light of this, we propose a multi-modality multi-scale model called M3S, which
is a novel deep learning method with two core modules to address these issues.
First, we convert RS data to various resolution images by the Gramian angular
field (GAF) to enlarge nuance, and a two-branch structure is leveraged to get
embeddings for distinction in the multi-scale feature extraction module.
Second, a probability matrix and a weight matrix are used to enhance the
classification capacity by combining the RS and medical history data in the
multi-modality data fusion module. We perform extensive evaluations of M3S and
found its outstanding performance on our in-house dataset, with accuracy,
precision, recall, specificity, and F1 score of 0.9330, 0.9379, 0.9291, 0.9752,
and 0.9334, respectively. These results demonstrate that the M3S has high
performance and robustness compared with popular methods in diagnosing CVD
subtypes.
- Abstract（参考訳）: ラマン分光法(Raman spectroscopy, RS)は、心臓血管疾患(CVD)などの疾患診断に広く用いられている。
近年,RSから2進分類のためのニュアンス特徴を学習するために,一般的なディープラーニング手法が紹介され,従来の機械学習手法よりも優れた性能を実現している。
しかし、これらの既存のディープラーニング手法は、CVDのサブタイプを分類する際のいくつかの課題に直面している。
例えば、サブタイプ間のニュアンスは、rs配列の冷たく類似した形状のため、インテリジェントなモデルによって捉えて表現するのが非常に困難である。
さらに, 医療史情報はサブタイプを識別するための必須資源であるが, 未利用である。
このような問題に対処する2つのコアモジュールを持つ新しいディープラーニング手法であるM3Sというマルチモードマルチスケールモデルを提案する。
まず, マルチスケール特徴抽出モジュールにおいて, RSデータを様々な分解能画像に変換することにより, ニュアンスを拡大し, マルチスケール特徴抽出モジュールに2分岐構造を組み込む。
第2に、多モードデータ融合モジュールにおけるRSと医療履歴データを組み合わせて、確率行列と重み行列を用いて分類能力を高める。
我々は,M3Sを広範囲に評価し,精度,精度,リコール,特異度,F1スコアが0.9330,0.9379,0.9291,0.9752,0.9334,社内データセットで優れた性能を示した。
これらの結果から,M3SはCVDサブタイプ診断の一般的な手法と比較して高い性能と堅牢性を示した。
関連論文リスト
- Enhanced Self-supervised Learning for Multi-modality MRI Segmentation and Classification: A Novel Approach Avoiding Model Collapse [6.3467517115551875]
多モードMRI(Multi-modality magnetic resonance imaging)は、コンピュータ支援診断のための補完的な情報を提供する。
従来のディープラーニングアルゴリズムは、病変をセグメント化し、磁気共鳴画像で疾患を分類する特定の解剖学的構造を特定するのに適している。
自己教師付き学習(SSL)は、事前学習によりラベル付きデータから特徴表現を効果的に学習することができ、自然画像解析に有効であることが示されている。
ほとんどのSSLメソッドはマルチモードMRIの類似性を無視し、モデルが崩壊する。
ハイブリッドマスクパターン(HMP)とピラミッドバーローツイン(PBT)を組み合わせた多モードMRIマスク自動エンコーダの確立と検証を行った。
論文 参考訳（メタデータ） (2024-07-15T01:11:30Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。
LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。
大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
論文 参考訳（メタデータ） (2024-02-09T05:06:58Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Multiplex-detection Based Multiple Instance Learning Network for Whole
Slide Image Classification [2.61155594652503]
マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。
本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。
具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
論文 参考訳（メタデータ） (2022-08-06T14:36:48Z) - Classification of Brain Tumours in MR Images using Deep Spatiospatial
Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。
両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文 参考訳（メタデータ） (2021-05-28T19:27:51Z) - 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) - Weakly Supervised 3D Classification of Chest CT using Aggregated
Multi-Resolution Deep Segmentation Features [5.938730586521215]
CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。
マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
論文 参考訳（メタデータ） (2020-10-31T00:16:53Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。