論文の概要: Diagnosis and Severity Assessment of Ulcerative Colitis using Self Supervised Learning

• arxiv url: http://arxiv.org/abs/2412.07806v1
• Date: Mon, 09 Dec 2024 19:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:04:17.540016
• Title: Diagnosis and Severity Assessment of Ulcerative Colitis using Self Supervised Learning
• Title（参考訳）: 自己監督学習による潰瘍性大腸炎の診断と重症度評価
• Authors: Venkat Margapuri,
• Abstract要約: 潰瘍性大腸炎(Ulcerative Colitis, UC)は、大腸と直腸の潰瘍を引き起こす炎症性腸疾患である。 AIベースのUC診断の以前の研究は、CNNをトレーニングするために大きな注釈付きデータセットを必要とする教師付き学習アプローチに依存していた。 本研究は,無注釈データセットを効果的に学習し,大腸内視鏡を解析し,UCとその重症度を診断する自己教師付き学習フレームワークを採用する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Ulcerative Colitis (UC) is an incurable inflammatory bowel disease that leads to ulcers along the large intestine and rectum. The increase in the prevalence of UC coupled with gastrointestinal physician shortages stresses the healthcare system and limits the care UC patients receive. A colonoscopy is performed to diagnose UC and assess its severity based on the Mayo Endoscopic Score (MES). The MES ranges between zero and three, wherein zero indicates no inflammation and three indicates that the inflammation is markedly high. Artificial Intelligence (AI)-based neural network models, such as convolutional neural networks (CNNs) are capable of analyzing colonoscopies to diagnose and determine the severity of UC by modeling colonoscopy analysis as a multi-class classification problem. Prior research for AI-based UC diagnosis relies on supervised learning approaches that require large annotated datasets to train the CNNs. However, creating such datasets necessitates that domain experts invest a significant amount of time, rendering the process expensive and challenging. To address the challenge, this research employs self-supervised learning (SSL) frameworks that can efficiently train on unannotated datasets to analyze colonoscopies and, aid in diagnosing UC and its severity. A comparative analysis with supervised learning models shows that SSL frameworks, such as SwAV and SparK outperform supervised learning models on the LIMUC dataset, the largest publicly available annotated dataset of colonoscopy images for UC.
• Abstract（参考訳）: 潰瘍性大腸炎(Ulcerative Colitis, UC)は、大腸と直腸の潰瘍を引き起こす炎症性腸疾患である。 消化器科医の不足に伴うUCの頻度の増加は、医療システムを強調し、UC患者が受けるケアを制限する。 マヨ内視鏡スコア(MES)に基づいて、UCを診断し、その重症度を評価するために大腸内視鏡を施行した。 MESは0から3の範囲で、0は炎症を示さず、3は炎症が顕著に高いことを示す。 畳み込みニューラルネットワーク(CNN)のような人工知能(AI)ベースのニューラルネットワークモデルは、大腸内視鏡解析を多クラス分類問題としてモデル化することにより、大腸内視鏡を分析してUCの重症度を決定することができる。 AIベースのUC診断の以前の研究は、CNNをトレーニングするために大きな注釈付きデータセットを必要とする教師付き学習アプローチに依存していた。 しかし、そのようなデータセットを作成するには、ドメインの専門家がかなりの時間を費やして、プロセスが高価で困難なものになる必要がある。 この課題に対処するために、自己教師付き学習(SSL)フレームワークを使用し、無注釈のデータセットを効率的にトレーニングし、大腸スコープを分析し、UCとその重症度を診断する手助けをする。 教師付き学習モデルとの比較分析では、LIMUCデータセット上で、SwaVやSparKといったSSLフレームワークが教師付き学習モデルより優れていることが示されている。

関連論文リスト

• Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
  急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。 マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。 本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
  論文  参考訳（メタデータ） (2024-03-08T15:16:15Z)
• Self-Supervised Learning for Endoscopic Video Analysis [16.873220533299573]
  自己教師付き学習(SSL)は、大量のラベルのないデータから学習できるようにすることによって、コンピュータビジョンにおいて重要なブレークスルーをもたらした。 大腸内視鏡検査や腹腔鏡検査などの内視鏡的画像解析における主要なSSLフレームワークであるMasked Siamese Networks (MSNs) の使用について検討した。
  論文  参考訳（メタデータ） (2023-08-23T19:27:59Z)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• Collective Intelligent Strategy for Improved Segmentation of COVID-19 from CT [0.2062593640149623]
  本研究では, 深層学習と画像を用いた非侵襲的非侵襲ツールを提案する。 Ensembling Attention-based Multi-scaled Convolution Network (EAMC) は感染領域のアウトラインにおいて高い感度と精度を示す。 その臨床的意義は、遠隔地で専門的な医療を欠く患者に低コストな意思決定を提供することにおいて、前例のない範囲にある。
  論文  参考訳（メタデータ） (2022-12-23T11:24:29Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Automatic Estimation of Ulcerative Colitis Severity from Endoscopy Videos using Ordinal Multi-Instance Learning [50.591267188664666]
  潰瘍性大腸炎(Ulcerative colitis, UC)は、大腸の炎症を再発させることを特徴とする慢性炎症性腸疾患である。 UCの重症度は、内視鏡ビデオから粘膜疾患の活性を定量化するMayo Endoscopic Subscore (MES)によって表されることが多い。 本稿では,ビデオMESラベルのみからフレーム重大度を推定する,弱教師付き順序分類手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T19:42:51Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Detecting ulcerative colitis from colon samples using efficient feature selection and machine learning [1.5484595752241122]
  潰瘍性大腸炎 (UC) は大腸粘膜層の炎症を特徴とする炎症性腸疾患(IBD)の1つである。 大腸サンプル中の32遺伝子の発現値に基づいて,健常者とUC患者を識別するモデルを構築した。 本モデルでは,全活動例を完全検出し,非活動例の平均精度は0.62であった。
  論文  参考訳（メタデータ） (2020-08-04T14:56:45Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。