論文の概要: Incorporating Improved Sinusoidal Threshold-based Semi-supervised Method
and Diffusion Models for Osteoporosis Diagnosis
- arxiv url: http://arxiv.org/abs/2403.06498v1
- Date: Mon, 11 Mar 2024 08:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 19:50:16.732977
- Title: Incorporating Improved Sinusoidal Threshold-based Semi-supervised Method
and Diffusion Models for Osteoporosis Diagnosis
- Title(参考訳): Sinusoidal Threshold-based Semi-supervised Methodと骨粗しょう診断のための拡散モデルの導入
- Authors: Wenchi Ke
- Abstract要約: 骨粗しょう症は、患者の生活の質に深刻な影響を及ぼす一般的な骨格疾患である。
従来の骨粗しょう症診断法は高価で複雑である。
本論文は, 有用性, 正確性, 低コストの利点を有する患者の画像データに基づいて, 骨粗しょう症を自動的に診断することができる。
- 参考スコア(独自算出の注目度): 0.43512163406552007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Osteoporosis is a common skeletal disease that seriously affects patients'
quality of life. Traditional osteoporosis diagnosis methods are expensive and
complex. The semi-supervised model based on diffusion model and class threshold
sinusoidal decay proposed in this paper can automatically diagnose osteoporosis
based on patient's imaging data, which has the advantages of convenience,
accuracy, and low cost. Unlike previous semi-supervised models, all the
unlabeled data used in this paper are generated by the diffusion model.
Compared with real unlabeled data, synthetic data generated by the diffusion
model show better performance. In addition, this paper proposes a novel
pseudo-label threshold adjustment mechanism, Sinusoidal Threshold Decay, which
can make the semi-supervised model converge more quickly and improve its
performance. Specifically, the method is tested on a dataset including 749
dental panoramic images, and its achieved leading detect performance and
produces a 80.10% accuracy.
- Abstract(参考訳): オステオポローシス(osteoporosis)は、患者の生活の質に深刻な影響を及ぼす一般的な骨格疾患である。
従来の骨ポローシスの診断方法は高価で複雑である。
本論文で提案する拡散モデルとクラス閾値正弦波崩壊に基づく半教師付きモデルでは, 有用性, 正確性, 低コストの利点を有する患者の画像データに基づいて骨粗しょう症を自動的に診断することができる。
従来の半教師付きモデルとは異なり、この論文で使われるラベルなしのデータはすべて拡散モデルによって生成される。
実際のラベル付きデータと比較すると,拡散モデルにより生成された合成データの性能は向上した。
さらに,半教師付きモデルがより高速に収束し,その性能を向上させるための擬似ラベル閾値調整機構である正弦波閾値減衰法を提案する。
具体的には、749の歯科用パノラマ画像を含むデータセット上で試験を行い、その検出性能を最大とし、80.10%の精度が得られる。
関連論文リスト
- Re-DiffiNet: Modeling discrepancies loss in tumor segmentation using
diffusion models [1.8770164030186538]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。
その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文 参考訳(メタデータ) (2024-02-12T01:03:39Z) - Synthetically Enhanced: Unveiling Synthetic Data's Potential in Medical
Imaging Research [4.609218256099332]
本研究では, 拡散モデルを用いた合成データ補完が, CXR解析のための深層学習(DL)分類器の性能に及ぼす影響について検討した。
私たちはCheXpert、MIMIC-CXR、Emory Chest X-rayの3つのデータセットを使用しました。
我々のアプローチは、合成画像が元のデータの人口統計学的特徴と病理学的特徴を反映することを確実にした。
論文 参考訳(メタデータ) (2023-11-15T21:58:01Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳(メタデータ) (2023-09-01T22:08:32Z) - 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) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳(メタデータ) (2023-04-18T18:15:38Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs [0.0]
本稿では,高密度畳み込みニューラルネットワーク(DenseNet)とモデル解釈可能性を用いた胸部X線診断モデルを提案する。
我々は前頭前頭X線を用いてモデルを訓練し、受信機動作特性曲線(AUC)の下の領域を含む様々な定量的指標を用いてその性能を評価した。
提案モデルでは,NoduleのAUCスコアは0.655,精度0.66のAUCスコアは0.826で,AUCスコアは0.896,Noduleは0.655であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。