論文の概要: CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression
- arxiv url: http://arxiv.org/abs/2408.00938v2
- Date: Mon, 5 Aug 2024 09:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 12:36:51.825585
- Title: CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression
- Title（参考訳）: CIResDiff : 特発性肺線維症進展予測のための臨床応用残留拡散モデル
- Authors: Caiwen Jiang, Xiaodan Xing, Zaixin Ou, Mianxin Liu, Walsh Simon, Guang Yang, Dinggang Shen,
- Abstract要約: 特発性肺線維症(IPF)は患者の死亡率に大きく相関する。
現在の臨床基準では1年間隔で2回のCT検査を必要とする疾患の進行を規定している。
そこで我々は, 患者のCT画像からIPFの進行を正確に予測する新しい拡散モデルを開発した。
- 参考スコア（独自算出の注目度）: 38.14873567230233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The progression of Idiopathic Pulmonary Fibrosis (IPF) significantly correlates with higher patient mortality rates. Early detection of IPF progression is critical for initiating timely treatment, which can effectively slow down the advancement of the disease. However, the current clinical criteria define disease progression requiring two CT scans with a one-year interval, presenting a dilemma: a disease progression is identified only after the disease has already progressed. To this end, in this paper, we develop a novel diffusion model to accurately predict the progression of IPF by generating patient's follow-up CT scan from the initial CT scan. Specifically, from the clinical prior knowledge, we tailor improvements to the traditional diffusion model and propose a Clinically-Informed Residual Diffusion model, called CIResDiff. The key innovations of CIResDiff include 1) performing the target region pre-registration to align the lung regions of two CT scans at different time points for reducing the generation difficulty, 2) adopting the residual diffusion instead of traditional diffusion to enable the model focus more on differences (i.e., lesions) between the two CT scans rather than the largely identical anatomical content, and 3) designing the clinically-informed process based on CLIP technology to integrate lung function information which is highly relevant to diagnosis into the reverse process for assisting generation. Extensive experiments on clinical data demonstrate that our approach can outperform state-of-the-art methods and effectively predict the progression of IPF.
- Abstract（参考訳）: 特発性肺線維症(IPF)の進行は患者の死亡率に大きく相関する。
IPFの早期検出は、タイムリーな治療を開始するために重要であり、疾患の進行を効果的に遅らせる可能性がある。
しかし、現在の臨床基準では、1年間隔で2回のCTスキャンを必要とする疾患の進行を規定しており、ジレンマを呈している。
そこで本研究では,初回CTスキャンから患者の追跡CTスキャンを生成することにより,IPFの進行を正確に予測する新しい拡散モデルを開発した。
具体的には、臨床先行知識から従来の拡散モデルの改善を調整し、CIResDiffと呼ばれる臨床インフォームド残差拡散モデルを提案する。
CIResDiffの重要なイノベーションは
1)2つのCTスキャンの肺領域を異なる時間で整列させて、発生困難を低減させるための対象領域事前登録を行う。
2) 従来の拡散法ではなく残留拡散法を採用することにより, ほぼ同一の解剖学的内容ではなく, 2つのCTスキャンの差(病変)により焦点を絞ることができる。
3)CLIP技術に基づく臨床応用プロセスの設計により,診断と高い関連性を有する肺機能情報を逆工程に組み込んで生成を支援する。
臨床データに対する大規模な実験により,本手法は最先端の手法より優れ,IPFの進行を効果的に予測できることが示された。
関連論文リスト
- MINDSETS: Multi-omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study [0.7751705157998379]
アルツハイマー病(AD)と血管性認知症(VaD)は最も多い認知症である。
本稿では、ADとVaDを正確に区別する革新的なマルチオミクス手法を提案し、89.25%の精度で診断を行う。
論文 参考訳（メタデータ） (2024-11-06T10:13:28Z) - TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。
トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。
我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文 参考訳（メタデータ） (2024-06-18T09:00:49Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-09-06T19:19:41Z) - 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) - A Data Augmentation Method and the Embedding Mechanism for Detection and
Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。
肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-02T13:58:45Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文 参考訳（メタデータ） (2021-10-26T20:06:05Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - 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)
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。