論文の概要: PECon: Contrastive Pretraining to Enhance Feature Alignment between CT
and EHR Data for Improved Pulmonary Embolism Diagnosis
- arxiv url: http://arxiv.org/abs/2308.14050v1
- Date: Sun, 27 Aug 2023 09:07:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 17:16:13.558352
- Title: PECon: Contrastive Pretraining to Enhance Feature Alignment between CT
and EHR Data for Improved Pulmonary Embolism Diagnosis
- Title（参考訳）: PECon: 肺塞栓症診断の改善のためのCTとERHデータの特徴調整のための対照的な事前訓練
- Authors: Santosh Sanjeev, Salwa K. Al Khatib, Mai A. Shaaban, Ibrahim Almakky,
Vijay Ram Papineni and Mohammad Yaqub
- Abstract要約: コントラスト学習(PECon)を用いた肺塞栓症検出法を提案する。
PEConは、患者のCTスキャンとEHRデータの両方を利用する教師付きコントラスト事前訓練戦略である。
その結果,提案手法は既存の手法より優れており,RadFusionデータセット上での最先端性能を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 0.8213829427624407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Previous deep learning efforts have focused on improving the performance of
Pulmonary Embolism(PE) diagnosis from Computed Tomography (CT) scans using
Convolutional Neural Networks (CNN). However, the features from CT scans alone
are not always sufficient for the diagnosis of PE. CT scans along with
electronic heath records (EHR) can provide a better insight into the patients
condition and can lead to more accurate PE diagnosis. In this paper, we propose
Pulmonary Embolism Detection using Contrastive Learning (PECon), a supervised
contrastive pretraining strategy that employs both the patients CT scans as
well as the EHR data, aiming to enhance the alignment of feature
representations between the two modalities and leverage information to improve
the PE diagnosis. In order to achieve this, we make use of the class labels and
pull the sample features of the same class together, while pushing away those
of the other class. Results show that the proposed work outperforms the
existing techniques and achieves state-of-the-art performance on the RadFusion
dataset with an F1-score of 0.913, accuracy of 0.90 and an AUROC of 0.943.
Furthermore, we also explore the explainability of our approach in comparison
to other methods. Our code is publicly available at
https://github.com/BioMedIA-MBZUAI/PECon.
- Abstract（参考訳）: これまでの深層学習は、畳み込みニューラルネットワーク(cnn)を用いたctスキャンによる肺塞栓症(pe)診断の性能向上に重点を置いている。
しかし,CT検査だけではPEの診断に十分とは限らない。
CTスキャンと電子ヒースレコード(EHR)は、患者の状態をよりよく把握し、より正確なPE診断につながる可能性がある。
本稿では,患者CTスキャンとERHデータの両方を併用したコントラスト前訓練戦略であるContrastive Learning (PECon) を用いた肺塞栓症検出法を提案し,両モード間の特徴表現の整合性を高め,PE診断を改善するために情報を活用することを目的とした。
これを達成するために、私たちはクラスラベルを使用し、同じクラスのサンプルフィーチャを一緒に引き抜き、他のクラスをプッシュします。
その結果,提案手法は既存の手法より優れており,F1スコア0.913,精度0.990,AUROC0.943でRadFusionデータセットの最先端性能を実現していることがわかった。
また,他の手法と比較して,提案手法の説明可能性についても検討する。
私たちのコードはhttps://github.com/BioMedIA-MBzuAI/PEConで公開されています。
関連論文リスト
- Bridging the Diagnostic Divide: Classical Computer Vision and Advanced AI methods for distinguishing ITB and CD through CTE Scans [2.900410045439515]
放射線医の間では, 内皮-皮下脂肪比は, ITBとCDの鑑別における代用バイオマーカーとして認識されている。
本稿では,この比率計算を自動化するために,皮下脂肪の自動分離のための新しい2次元画像コンピュータビジョンアルゴリズムを提案する。
ITB, CD, 正常患者のサンプルを用いて, CTEスキャンのデータセットを用いてResNet10モデルを訓練し, 75%の精度を得た。
論文 参考訳（メタデータ） (2024-10-23T17:05:27Z) - Cross-Phase Mutual Learning Framework for Pulmonary Embolism Identification on Non-Contrast CT Scans [7.732867194190985]
肺塞栓症 (PE) は, 急速かつ正確な診断が困難であるが, 主に非定型的な症状を呈する疾患である。
我々は,CTAからNCTスキャンへの知識伝達を促進する新しいクロスパス・ミューチュアル・ラーニング・フレームワーク (CPMN) を提案する。
CPMNは、NCTスキャンにおける患者レベルの感度と特異性において95.4%と99.6%の顕著な識別性能を達成している。
論文 参考訳（メタデータ） (2024-07-16T09:29:33Z) - SCUNet++: Swin-UNet and CNN Bottleneck Hybrid Architecture with
Multi-Fusion Dense Skip Connection for Pulmonary Embolism CT Image
Segmentation [2.7258121537483126]
肺塞栓症 (PE) は右室肥大と重症症例の不全につながる肺疾患である。
従来のPE検出は、画像技術の限界により臨床実践における課題を呈する。
SCUNet++ (Swin Conv UNet++) と呼ばれる自動PEセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-12-22T14:06:03Z) - Deep learning in computed tomography pulmonary angiography imaging: a
dual-pronged approach for pulmonary embolism detection [0.0]
本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。
我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。
AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
論文 参考訳（メタデータ） (2023-11-09T08:23:44Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on
Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
肺塞栓症(PE)は最も致命的な心血管疾患の一つである。
PE予測のための2段階注目型CNN-LSTMネットワークを提案する。
本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
論文 参考訳（メタデータ） (2021-07-13T17:58:15Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。