論文の概要: Exploring the Efficacy of Base Data Augmentation Methods in Deep
Learning-Based Radiograph Classification of Knee Joint Osteoarthritis
- arxiv url: http://arxiv.org/abs/2311.06118v1
- Date: Fri, 10 Nov 2023 15:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 14:54:25.169865
- Title: Exploring the Efficacy of Base Data Augmentation Methods in Deep
Learning-Based Radiograph Classification of Knee Joint Osteoarthritis
- Title（参考訳）: 変形性膝関節症に対するDeep Learning-based Radiograph 分類におけるベースデータ拡張法の有用性の検討
- Authors: Fabi Prezja, Leevi Annala, Sampsa Kiiskinen, Timo Ojala
- Abstract要約: 変形性膝関節症 (KOA) の診断は, 微妙なX線学的指標と疾患の進展により困難である。
本研究では,敵対的拡張を含む様々なデータ拡張手法について検討し,KOA分類モデルの性能に与える影響について検討した。
- 参考スコア（独自算出の注目度）: 0.12289361708127876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnosing knee joint osteoarthritis (KOA), a major cause of disability
worldwide, is challenging due to subtle radiographic indicators and the varied
progression of the disease. Using deep learning for KOA diagnosis requires
broad, comprehensive datasets. However, obtaining these datasets poses
significant challenges due to patient privacy concerns and data collection
restrictions. Additive data augmentation, which enhances data variability,
emerges as a promising solution. Yet, it's unclear which augmentation
techniques are most effective for KOA. This study explored various data
augmentation methods, including adversarial augmentations, and their impact on
KOA classification model performance. While some techniques improved
performance, others commonly used underperformed. We identified potential
confounding regions within the images using adversarial augmentation. This was
evidenced by our models' ability to classify KL0 and KL4 grades accurately,
with the knee joint omitted. This observation suggested a model bias, which
might leverage unrelated features for classification currently present in
radiographs. Interestingly, removing the knee joint also led to an unexpected
improvement in KL1 classification accuracy. To better visualize these
paradoxical effects, we employed Grad-CAM, highlighting the associated regions.
Our study underscores the need for careful technique selection for improved
model performance and identifying and managing potential confounding regions in
radiographic KOA deep learning.
- Abstract（参考訳）: 世界規模の障害の主な原因である膝関節症(KOA)の診断は、微妙なX線学的指標と疾患の進展により困難である。
KOA診断にディープラーニングを使用するには、広範囲で包括的なデータセットが必要である。
しかし、これらのデータセットを取得することは、患者のプライバシーの懸念とデータ収集の制限のために重大な課題をもたらす。
データ可変性を高める付加的なデータ拡張は、有望なソリューションとして現れます。
しかし、どの拡張テクニックがKOAに最も有効かは明らかではない。
本研究では,敵対的拡張を含む様々なデータ拡張手法と,そのkoa分類モデル性能への影響について検討した。
いくつかの技術は性能を改善したが、他の技術は性能が低かった。
画像中の潜在的結合領域を, 逆加法を用いて同定した。
これは,KL0とKL4を正確に分類し,膝関節を省略したモデルによって証明された。
この観察は、現在ラジオグラフに存在する分類に関係のない特徴を利用するモデルバイアスを示唆した。
興味深いことに、膝関節の除去もKL1分類精度の予期せぬ改善につながった。
これらのパラドックス効果をよりよく可視化するために、我々はGrad-CAMを使用し、関連する領域を強調した。
本研究は, 深層学習において, モデル性能向上のための慎重な手法選択の必要性を指摘する。
関連論文リスト
- Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - Adaptive Variance Thresholding: A Novel Approach to Improve Existing
Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis
Classification [0.11249583407496219]
Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。
1つの有望な分類経路は、ディープラーニングの手法を適用することである。
本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-11-10T00:17:07Z) - Synthesizing Bidirectional Temporal States of Knee Osteoarthritis
Radiographs with Cycle-Consistent Generative Adversarial Neural Networks [0.11249583407496219]
変形性膝関節症(KOA)の過去と将来の経過をX線写真で解析するために,CycleGANモデルを訓練した。
このモデルは, 将来の疾患状態において特に有効であり, 後期X線像を早期に遡及的に移行する異常な能力を示した。
論文 参考訳（メタデータ） (2023-11-10T00:15:00Z) - Enhancing Knee Osteoarthritis severity level classification using
diffusion augmented images [0.0]
本研究は, 変形性膝関節症 (OA) の重症度分類について, 高度なコンピュータビジョンモデルと拡張技術を用いて検討した。
3つの実験が実施された。最初のデータセットのトレーニングモデル、前処理データセットのトレーニングモデル、拡張データセットのトレーニングモデルである。
EfficientNetB3モデルは、拡張データセットで84%の精度を達成した。
論文 参考訳（メタデータ） (2023-09-17T17:22:29Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14と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） (2023-06-02T01:46:31Z) - Transformer with Selective Shuffled Position Embedding and Key-Patch
Exchange Strategy for Early Detection of Knee Osteoarthritis [7.656764569447645]
膝骨関節炎(KOA)は、高齢者の運動に深刻な影響を与える筋骨格障害である。
不十分な医療データは、データラベリングに伴う高コストのため、モデルを効果的に訓練する上で重要な障害となる。
本稿では,従来のSelective Shuffled Position Embedding (SSPE) とキーパッチ交換戦略を用いたビジョントランスフォーマー(ViT)モデルに基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-04-17T15:26:42Z) - Coherence Learning using Keypoint-based Pooling Network for Accurately
Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。
現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。
本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T19:59:13Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - 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) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。