論文の概要: Self-supervised Normality Learning and Divergence Vector-guided Model Merging for Zero-shot Congenital Heart Disease Detection in Fetal Ultrasound Videos

• arxiv url: http://arxiv.org/abs/2503.07799v1
• Date: Mon, 10 Mar 2025 19:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:46:23.134452
• Title: Self-supervised Normality Learning and Divergence Vector-guided Model Merging for Zero-shot Congenital Heart Disease Detection in Fetal Ultrasound Videos
• Title（参考訳）: 胎児超音波画像におけるゼロショット先天性心疾患検出のための自己教師付き正規性学習とダイバージェンスベクトル誘導モデルの統合
• Authors: Pramit Saha, Divyanshu Mishra, Netzahualcoyotl Hernandez-Cruz, Olga Patey, Aris Papageorghiou, Yuki M. Asano, J. Alison Noble,
• Abstract要約: 先天性心疾患(CHD)は胎児死亡の原因の1つである。 希少な条件に対する大規模な実世界のデータセットの集中収集には、かなりの調整と資源が必要である。 データガバナンスルールは、サイト間のデータ共有をますます防止します。
• 参考スコア（独自算出の注目度）: 17.20337303244176
• License:
• Abstract: Congenital Heart Disease (CHD) is one of the leading causes of fetal mortality, yet the scarcity of labeled CHD data and strict privacy regulations surrounding fetal ultrasound (US) imaging present significant challenges for the development of deep learning-based models for CHD detection. Centralised collection of large real-world datasets for rare conditions, such as CHD, from large populations requires significant co-ordination and resource. In addition, data governance rules increasingly prevent data sharing between sites. To address these challenges, we introduce, for the first time, a novel privacy-preserving, zero-shot CHD detection framework that formulates CHD detection as a normality modeling problem integrated with model merging. In our framework dubbed Sparse Tube Ultrasound Distillation (STUD), each hospital site first trains a sparse video tube-based self-supervised video anomaly detection (VAD) model on normal fetal heart US clips with self-distillation loss. This enables site-specific models to independently learn the distribution of healthy cases. To aggregate knowledge across the decentralized models while maintaining privacy, we propose a Divergence Vector-Guided Model Merging approach, DivMerge, that combines site-specific models into a single VAD model without data exchange. Our approach preserves domain-agnostic rich spatio-temporal representations, ensuring generalization to unseen CHD cases. We evaluated our approach on real-world fetal US data collected from 5 hospital sites. Our merged model outperformed site-specific models by 23.77% and 30.13% in accuracy and F1-score respectively on external test sets.
• Abstract（参考訳）: 先天性心疾患(CHD)は胎児死亡の主な原因の1つであるが、ラベル付きCHDデータの不足と胎児超音波(US)画像周辺の厳密なプライバシー規制は、深層学習に基づくCHD検出モデルの開発に重大な課題を呈している。 大規模な人口からのCHDのような希少な条件のための大規模な実世界のデータセットの集中収集には、かなりの調整と資源が必要である。 さらに、データガバナンスルールは、サイト間のデータ共有をますます防止します。 これらの課題に対処するために、モデルマージと統合された正規性モデリング問題としてCHD検出を定式化する、新しいプライバシー保護・ゼロショットCHD検出フレームワークを初めて紹介する。 Sparse tube Ultrasound Distillation (STUD) と呼ばれるこのフレームワークでは、各病院は、まず、正常な胎児心USクリップに自励式自己監督型ビデオ異常検出(VAD)モデルを訓練する。 これにより、サイト固有のモデルは、健康なケースの分布を独立して学習することができる。 プライバシを維持しながら分散化されたモデルの知識を集約するために,サイト固有のモデルをデータ交換なしで単一のVADモデルに結合するDivMergeというDivergence Vector-Guided Model Mergingアプローチを提案する。 提案手法はドメインに依存しないリッチな時空間表現を保存し,CHD症例の一般化を確実にする。 5ヶ所の病院から収集した胎児のUSデータに対するアプローチについて検討した。 我々の合併モデルは、それぞれ外部テストセット上で23.77%、30.13%の精度でサイト固有モデルを上回った。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus Images [3.4456298317539313]
  タイムリーな識別は視覚障害を抑制するために重要である。 モデルは、モデルがトレーニングされたソースドメインと、それがデプロイされたターゲットドメインの間の分散シフトのために、一般化に失敗することが多い。 この課題を軽減するために設計されたディープラーニングモデルであるDRStageNetを紹介します。
  論文  参考訳（メタデータ） (2023-12-22T18:09:20Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Automated interpretation of congenital heart disease from multi-view echocardiograms [10.238433789459624]
  先天性心疾患(CHD)は、中国で最も多い出生障害であり、新生児死亡の原因となっている。 本研究では,多視点心エコー図を実用的エンドツーエンドのフレームワークで自動解析する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T18:37:21Z)
• Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
  医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。 この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。 ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。 自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
  論文  参考訳（メタデータ） (2023-09-21T09:06:36Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)
• 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)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。