論文の概要: SCOL: Supervised Contrastive Ordinal Loss for Abdominal Aortic
Calcification Scoring on Vertebral Fracture Assessment Scans
- arxiv url: http://arxiv.org/abs/2307.12006v1
- Date: Sat, 22 Jul 2023 07:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 18:28:34.135442
- Title: SCOL: Supervised Contrastive Ordinal Loss for Abdominal Aortic
Calcification Scoring on Vertebral Fracture Assessment Scans
- Title（参考訳）: scol : 椎体骨折評価スキャンによる腹部大動脈石灰化症に対する比較順序損失の検討
- Authors: Afsah Saleem, Zaid Ilyas, David Suter, Ghulam Mubashar Hassan, Siobhan
Reid, John T. Schousboe, Richard Prince, William D. Leslie, Joshua R. Lewis
and Syed Zulqarnain Gilani
- Abstract要約: 腹部大動脈石灰化症(AAC)は無症候性動脈硬化性心血管疾患(ASCVD)のマーカーとして知られている。
AACはDXA(Dual-Energy X-ray Absorptiometry)装置を用いて得られたVFAスキャンで観察できる。
本研究では,グローバルレベルとローカルレベルにおいて,対照的な順序表現を学習するDual-encoder Contrastive Ordinal Learningフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 12.062111043693543
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Abdominal Aortic Calcification (AAC) is a known marker of asymptomatic
Atherosclerotic Cardiovascular Diseases (ASCVDs). AAC can be observed on
Vertebral Fracture Assessment (VFA) scans acquired using Dual-Energy X-ray
Absorptiometry (DXA) machines. Thus, the automatic quantification of AAC on VFA
DXA scans may be used to screen for CVD risks, allowing early interventions. In
this research, we formulate the quantification of AAC as an ordinal regression
problem. We propose a novel Supervised Contrastive Ordinal Loss (SCOL) by
incorporating a label-dependent distance metric with existing supervised
contrastive loss to leverage the ordinal information inherent in discrete AAC
regression labels. We develop a Dual-encoder Contrastive Ordinal Learning
(DCOL) framework that learns the contrastive ordinal representation at global
and local levels to improve the feature separability and class diversity in
latent space among the AAC-24 genera. We evaluate the performance of the
proposed framework using two clinical VFA DXA scan datasets and compare our
work with state-of-the-art methods. Furthermore, for predicted AAC scores, we
provide a clinical analysis to predict the future risk of a Major Acute
Cardiovascular Event (MACE). Our results demonstrate that this learning
enhances inter-class separability and strengthens intra-class consistency,
which results in predicting the high-risk AAC classes with high sensitivity and
high accuracy.
- Abstract（参考訳）: 腹部大動脈石灰化症(AAC)は無症候性動脈硬化性心血管疾患(ASCVD)のマーカーとして知られている。
AACはDXA(Dual-Energy X-ray Absorptiometry)装置を用いて得られたVFAスキャンで観察できる。
したがって、VFA DXAスキャンにおけるAACの自動定量は、CVDのリスクをスクリーニングするために使われ、早期の介入が可能である。
本研究では,AACの量子化を順序回帰問題として定式化する。
本稿では,AACレグレッションラベルに固有の順序情報を活用するために,既存の教師付きコントラスト損失にラベル依存距離を組み込むことにより,SCOL(Supervised Contrastive Ordinal Loss)を提案する。
我々は,aac-24属間の潜在空間における特徴分離性とクラス多様性を改善するために,グローバルおよびローカルレベルでの対比順序表現を学ぶdcol(dcol)フレームワークを開発した。
2つの臨床VFA DXAスキャンデータセットを用いて,提案手法の性能評価を行い,現状の手法と比較した。
さらに,AACスコアの予測には,MACE(Major acute Cardiovascular Event)のリスクを予測するための臨床分析を行う。
その結果,この学習によりクラス間分離性が向上し,クラス内一貫性が向上し,高い感度と高い精度で高リスクのaacクラスを予測できることが分かった。
関連論文リスト
- AACLiteNet: A Lightweight Model for Detection of Fine-Grained Abdominal Aortic Calcification [10.764840806649284]
CVDは世界でも主要な死因であり、毎年1790万人が死亡している。
AACLiteNetは、粒度のAACスコアを高精度に予測する軽量なディープラーニングモデルである。
計算コストは19.88倍、メモリフットプリントは2.26倍である。
論文 参考訳（メタデータ） (2024-09-25T15:21:10Z) - An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data [0.30723404270319693]
本研究は膝OAの自動連続グルーピングのための3段階的アプローチを提案する。
正常度の中心までの距離に基づいて、健康な膝X線の堅牢な表現と疾患の重症度を学ぶ。
提案手法は,OA検出率において最大24%のマージンで既存の技術よりも優れており,疾患重症度スコアはKellgren-Lawrenceグレーティングシステムと人間専門家の成績と同等のレベルで相関している。
論文 参考訳（メタデータ） (2024-07-16T08:37:33Z) - Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。
我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。
私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
論文 参考訳（メタデータ） (2023-08-17T08:25:55Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - A hybrid machine learning/deep learning COVID-19 severity predictive
model from CT images and clinical data [0.0]
患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。
ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。
本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
論文 参考訳（メタデータ） (2021-05-13T08:39:56Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Artificial Intelligence to Assist in Exclusion of Coronary
Atherosclerosis during CCTA Evaluation of Chest-Pain in the Emergency
Department: Preparing an Application for Real-World Use [6.9835031964130545]
冠状動脈硬化の欠如に対するCCTAスクリーニングにおける医師の解釈を支援するAIアルゴリズムとワークフローの開発について述べる。
このアルゴリズムは AUC-ROC = 0.96 で強い性能を示した。
このAIアプリケーションはCCTAの解釈を補助し、胸部ペーストによる動脈硬化を促進できる可能性がある。
論文 参考訳（メタデータ） (2020-08-10T16:07:04Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-03-18T19:06:27Z)
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。