論文の概要: DINO-LG: A Task-Specific DINO Model for Coronary Calcium Scoring
- arxiv url: http://arxiv.org/abs/2411.07976v1
- Date: Tue, 12 Nov 2024 17:55:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:17:56.188273
- Title: DINO-LG: A Task-Specific DINO Model for Coronary Calcium Scoring
- Title（参考訳）: DINO-LG: 冠動脈スコーリングのためのタスク特異的DINOモデル
- Authors: Mahmut S. Gokmen, Cody Bumgardner, Caner Ozcan,
- Abstract要約: 冠状動脈カルシウム(CAC)スコアは、冠動脈疾患を予防するためのリスクアセスメントの鍵となる。
本研究では、DINOの自己教師型学習(SSL)技術(ラベルなし自己蒸留)を取り入れることで、このアプローチを拡張した。
DINOモデルは、重要な特徴を効果的に捉え、強調する機能を生成することを目的として、ラベルを使用することで、石灰化領域に特に焦点を合わせるように訓練されている。
ラベル誘導DINO(DINO-LG)は,石灰化を含むCTスライスと石灰化しないスライスを区別し,標準DINOモデルよりも57%の精度で分類を向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Coronary artery disease (CAD), one of the most common cause of mortality in the world. Coronary artery calcium (CAC) scoring using computed tomography (CT) is key for risk assessment to prevent coronary disease. Previous studies on risk assessment and calcification detection in CT scans primarily use approaches based on UNET architecture, frequently implemented on pre-built models. However, these models are limited by the availability of annotated CT scans containing CAC and suffering from imbalanced dataset, decreasing performance of CAC segmentation and scoring. In this study, we extend this approach by incorporating the self-supervised learning (SSL) technique of DINO (self-distillation with no labels) to eliminate limitations of scarce annotated data in CT scans. The DINO model's ability to train without requiring CAC area annotations enhances its robustness in generating distinct features. The DINO model is trained on to focus specifically on calcified areas by using labels, aiming to generate features that effectively capture and highlight key characteristics. The label-guided DINO (DINO-LG) enhances classification by distinguishing CT slices that contain calcification from those that do not, performing 57% better than the standard DINO model in this task. CAC scoring and segmentation tasks are performed by a basic U-NET architecture, fed specifically with CT slices containing calcified areas as identified by the DINO-LG model. This targeted identification performed by DINO-LG model improves CAC segmentation performance by approximately 10% and significant increase in CAC scoring accuracy.
- Abstract（参考訳）: 冠動脈疾患 (CAD) は、世界で最も多い死因の1つである。
冠動脈疾患のリスク評価にはCT(Computed tomography)を用いた冠状動脈カルシウム(CAC)スコアが重要である。
CTスキャンにおけるリスクアセスメントと石灰化検出に関するこれまでの研究は、主にUNETアーキテクチャに基づくアプローチを用いており、しばしばプレビルドモデルに実装されている。
しかし、これらのモデルは、CACを含む注釈付きCTスキャンが利用可能であり、不均衡なデータセットに悩まされ、CACセグメンテーションとスコアリングの性能が低下することによって制限されている。
本研究では,DINOの自己教師型学習(SSL)技術(ラベルなし自己蒸留)を取り入れて,CTスキャンにおけるアノテートデータ不足の解消を図る。
CAC領域アノテーションを必要としないDINOモデルのトレーニング能力は、異なる特徴を生成する際の堅牢性を高める。
DINOモデルは、重要な特徴を効果的に捉え、強調する機能を生成することを目的として、ラベルを使用することで、石灰化領域に特に焦点を合わせるように訓練されている。
ラベル誘導DINO(DINO-LG)は,石灰化を含むCTスライスと石灰化しないスライスを区別し,標準DINOモデルよりも57%の精度で分類する。
CACスコアとセグメンテーションタスクは、DINO-LGモデルで特定された石灰化領域を含むCTスライスを具体化した基本U-NETアーキテクチャによって実行される。
この DINO-LG モデルによる目標識別により, CAC のセグメンテーション性能は約10%向上し, CAC のスコアリング精度が大幅に向上する。
関連論文リスト
- DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation [26.05396884171782]
DSAシークエンスに基づく脳動脈セグメンテーションデータセット(DSCA)を提案する。
単一のフレームにのみフォーカスする既存のDSAセグメンテーション手法とは異なり、提案されたDSANetでは、複数のフレームにまたがる動的血管の詳細をキャプチャするための、個別のテンポラリエンコーディングブランチが導入されている。
大規模な実験により、DSANetはCAセグメンテーションにおいて他の最先端の手法よりも優れており、Dice は 0.9033 である。
論文 参考訳（メタデータ） (2024-06-01T07:35:21Z) - DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。
アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。
本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
論文 参考訳（メタデータ） (2024-03-19T14:51:01Z) - Multitask Deep Learning for Accurate Risk Stratification and Prediction
of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。
提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
論文 参考訳（メタデータ） (2023-09-01T08:34:13Z) - Generative Models for Reproducible Coronary Calcium Scoring [3.1746159467221253]
冠動脈カルシウム(CAC)スコアは、冠動脈疾患(CHD)の強い、独立した予測因子である。
CACスコアリングは、石灰化のセグメンテーションに一定の強度レベルしきい値を適用する必要があるという臨床的定義のために、限られたインタースキャンに悩まされる。
本稿では,CACのセグメンテーションのしきい値を必要としないCAC手法を提案する。
論文 参考訳（メタデータ） (2022-05-24T10:59:32Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation [18.58056402884405]
CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。
現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。
本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
論文 参考訳（メタデータ） (2020-01-23T15:15:53Z)
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。