論文の概要: Learning Disease State from Noisy Ordinal Disease Progression Labels

• arxiv url: http://arxiv.org/abs/2503.10440v1
• Date: Thu, 13 Mar 2025 15:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:54:14.047905
• Title: Learning Disease State from Noisy Ordinal Disease Progression Labels
• Title（参考訳）: ノイズ常日病進行ラベルによる疾患状態の学習
• Authors: Gustav Schmidt, Holger Heidrich, Philipp Berens, Sarah Müller,
• Abstract要約: ノイズの多い順序ラベルから学ぶことは、医療画像において重要な課題である。 本研究は,病状状態を分類可能な表現を学習するために,常態性疾患進行ラベルを使用できるかどうかを問うものである。
• 参考スコア（独自算出の注目度）: 6.904506218357467
• License:
• Abstract: Learning from noisy ordinal labels is a key challenge in medical imaging. In this work, we ask whether ordinal disease progression labels (better, worse, or stable) can be used to learn a representation allowing to classify disease state. For neovascular age-related macular degeneration (nAMD), we cast the problem of modeling disease progression between medical visits as a classification task with ordinal ranks. To enhance generalization, we tailor our model to the problem setting by (1) independent image encoding, (2) antisymmetric logit space equivariance, and (3) ordinal scale awareness. In addition, we address label noise by learning an uncertainty estimate for loss re-weighting. Our approach learns an interpretable disease representation enabling strong few-shot performance for the related task of nAMD activity classification from single images, despite being trained only on image pairs with ordinal disease progression labels.
• Abstract（参考訳）: ノイズの多い順序ラベルから学ぶことは、医療画像において重要な課題である。 本研究は, 疾患の病状を分類できる表現を学習するために, 病状進行ラベル(重度, 悪さ, 安定度)を使用できるかを問うものである。 血管新生関連黄斑変性症 (nAMD) では, 来院者間の疾患進行のモデル化が, 序列の分類課題として問題視されている。 一般化を促進するため,(1)独立画像符号化,(2)反対称ロジット空間の等式,(3)順序スケールの認識による問題設定にモデルを調整した。 さらに、損失再重み付けのための不確実性推定を学習することでラベルノイズに対処する。 本手法では,nAMD 活動分類の関連課題に対して,画像ペアと経時的疾患進行ラベルを併用した画像ペアのみを訓練した上で,強い数発的パフォーマンスを実現するための解釈可能な疾患表現法を学習する。

関連論文リスト

• QMix: Quality-aware Learning with Mixed Noise for Robust Retinal Disease Diagnosis [17.512436625806384]
  混合雑音下での堅牢な疾患診断モデルを学習する,QMixと呼ばれる雑音学習フレームワークを提案する。 QMixは、5つのパブリック網膜画像データセット上で最先端の疾患診断性能を達成する。
  論文  参考訳（メタデータ） (2024-04-08T03:33:01Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Unsupervised deep clustering for predictive texture pattern discovery in medical images [2.0478628221188497]
  医用画像のテクスチャパターンを教師なしで識別する手法を提案する。 深層クラスタリングネットワークに基づいて,低次元潜在空間における医用画像パッチを同時にエンコードし,クラスタリングする。 肝脂肪症患者のT1強調MRI70例について検討した。
  論文  参考訳（メタデータ） (2020-01-31T10:57:59Z)

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。