論文の概要: An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data
- arxiv url: http://arxiv.org/abs/2407.11500v1
- Date: Tue, 16 Jul 2024 08:37:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 15:52:21.002359
- Title: An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data
- Title（参考訳）: 有限データを用いた自己監督型異常検出を用いた変形性膝関節症患者の重症度評価のためのAIシステム
- Authors: Niamh Belton, Aonghus Lawlor, Kathleen M. Curran,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.30723404270319693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The diagnostic accuracy and subjectivity of existing Knee Osteoarthritis (OA) ordinal grading systems has been a subject of on-going debate and concern. Existing automated solutions are trained to emulate these imperfect systems, whilst also being reliant on large annotated databases for fully-supervised training. This work proposes a three stage approach for automated continuous grading of knee OA that is built upon the principles of Anomaly Detection (AD); learning a robust representation of healthy knee X-rays and grading disease severity based on its distance to the centre of normality. In the first stage, SS-FewSOME is proposed, a self-supervised AD technique that learns the 'normal' representation, requiring only examples of healthy subjects and <3% of the labels that existing methods require. In the second stage, this model is used to pseudo label a subset of unlabelled data as 'normal' or 'anomalous', followed by denoising of pseudo labels with CLIP. The final stage involves retraining on labelled and pseudo labelled data using the proposed Dual Centre Representation Learning (DCRL) which learns the centres of two representation spaces; normal and anomalous. Disease severity is then graded based on the distance to the learned centres. The proposed methodology outperforms existing techniques by margins of up to 24% in terms of OA detection and the disease severity scores correlate with the Kellgren-Lawrence grading system at the same level as human expert performance. Code available at https://github.com/niamhbelton/SS-FewSOME_Disease_Severity_Knee_Osteoarthritis.
- Abstract（参考訳）: 既存の変形性膝関節症(OA)の診断精度と主観性は,現在進行中の議論と懸念の対象となっている。
既存の自動化ソリューションは、これらの不完全なシステムをエミュレートするために訓練され、また、完全に教師されたトレーニングのために、大きな注釈付きデータベースに依存している。
本研究は, 異常検出(AD)の原理を基礎として, 正常度中心までの距離に基づいて, 健常膝X線の堅牢な表現と重症度を学習する, 自動膝OAの3段階的連続グルーピング手法を提案する。
SS-FewSOMEは「正常」表現を学習し、健康な被験者のサンプルと既存の手法が必要とするラベルの3%しか必要としない自己監督型のAD技術である。
第2段階では、このモデルを使用して、未ラベルデータのサブセットを'normal'または'anomalous'として擬似ラベルし、続いてCLIPで擬似ラベルを復号する。
最終段階では、正規空間と異常空間という2つの表現空間の中心を学習する提案されたデュアルセンター表現学習(DCRL)を用いてラベル付きおよび擬似ラベル付きデータの再学習を行う。
病気の重症度は、学習センターまでの距離に基づいて評価される。
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。
コードはhttps://github.com/niamhbelton/SS-FewSOME_Disease_Severity_Knee_Osteoarthritisで公開されている。
関連論文リスト
- Rethinking Knee Osteoarthritis Severity Grading: A Few Shot Self-Supervised Contrastive Learning Approach [0.2812395851874055]
現在はKelgren-Lawrence (KL) システムを用いて, 膝関節症(OA)の重症度を0から4に分類している。
近年の研究では、KLグレーティングシステムの主観性に関して懸念が高まっている。
本研究は、連続的な階調スケールを持つ自動システムの予備的な結果を示す。
論文 参考訳（メタデータ） (2024-06-18T19:36:18Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - 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) - A multi-stage semi-supervised improved deep embedded clustering
(MS-SSIDEC) method for bearing fault diagnosis under the situation of
insufficient labeled samples [20.952315351460527]
実際の産業プロセスでデータにラベルをつけるのに多くの労力と時間を要するため、インテリジェントな故障診断手法の適用が困難になる。
この問題を解決するために,多段階半教師付き改良深層クラスタリング法(MS-SSIDEC)を提案する。
本手法は,事前学習,深層クラスタリング,教師付き学習の3段階を含む。
論文 参考訳（メタデータ） (2021-09-28T06:49:40Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Learning Discriminative Representations for Fine-Grained Diabetic
Retinopathy Grading [6.129288755571804]
糖尿病網膜症は視覚障害の主要な原因の1つである。
病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
論文 参考訳（メタデータ） (2020-11-04T04:16:55Z) - A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects
Assessment with Dual-Consistency [40.67137486295487]
本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。
自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。
実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
論文 参考訳（メタデータ） (2020-05-19T04:47:25Z) - 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。