論文の概要: DINO-LG: A Task-Specific DINO Model for Coronary Calcium Scoring
- arxiv url: http://arxiv.org/abs/2411.07976v4
- Date: Wed, 20 Nov 2024 02:57:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-21 12:32:43.592077
- 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, Caner Ozcan, Cody Bumgardner,
- 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
- Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。
前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。
我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
論文 参考訳(メタデータ) (2025-01-15T22:23:41Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - Automated Assessment of Critical View of Safety in Laparoscopic
Cholecystectomy [51.240181118593114]
胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。
LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。
本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-09-13T22:01:36Z) - Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores [1.0499611180329804]
目的は前立腺がんの検出と診断のワークフローを改善することである。
最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
論文 参考訳(メタデータ) (2023-08-09T01:38:58Z) - 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) - Robust and Generalisable Segmentation of Subtle Epilepsy-causing
Lesions: a Graph Convolutional Approach [1.180462901068842]
FCD(Foccal cortical dysplasia)は薬剤抵抗性てんかんの主要な原因であり、手術で治療できる。
そのため、手動の傷口マスクは高価で、限定的であり、ラッター間変動が大きい。
本稿では,グラフ畳み込みネットワーク(GCN)を用いたセマンティックセグメンテーション(セマンティックセグメンテーション,セマンティックセグメンテーション,セマンティックセグメンテーション)の手法を提案する。
論文 参考訳(メタデータ) (2023-06-02T08:56:56Z) - 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) - Nested-block self-attention for robust radiotherapy planning
segmentation [3.2541650155921142]
深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。
定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。
我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
論文 参考訳(メタデータ) (2021-02-26T15:28:47Z) - 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) - 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。