論文の概要: A Causality-Inspired Model for Intima-Media Thickening Assessment in Ultrasound Videos
- arxiv url: http://arxiv.org/abs/2503.12418v1
- Date: Sun, 16 Mar 2025 09:07:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:31:07.708534
- Title: A Causality-Inspired Model for Intima-Media Thickening Assessment in Ultrasound Videos
- Title（参考訳）: 超音波映像におけるintima-Media Thickeningアセスメントの因果性に着想を得たモデル
- Authors: Shuo Gao, Jingyang Zhang, Jun Xue, Meng Yang, Yang Chen, Guangquan Zhou,
- Abstract要約: フレームワイド超音波ビデオにおける頸動脈内膜肥厚評価のための新しい因果インスピレーション法を提案する。
術中頸動脈超音波画像データセットの精度は86.93%であり, 提案手法の優れた性能を示した。
- 参考スコア（独自算出の注目度）: 14.669698413219061
- License:
- Abstract: Carotid atherosclerosis represents a significant health risk, with its early diagnosis primarily dependent on ultrasound-based assessments of carotid intima-media thickening. However, during carotid ultrasound screening, significant view variations cause style shifts, impairing content cues related to thickening, such as lumen anatomy, which introduces spurious correlations that hinder assessment. Therefore, we propose a novel causal-inspired method for assessing carotid intima-media thickening in frame-wise ultrasound videos, which focuses on two aspects: eliminating spurious correlations caused by style and enhancing causal content correlations. Specifically, we introduce a novel Spurious Correlation Elimination (SCE) module to remove non-causal style effects by enforcing prediction invariance with style perturbations. Simultaneously, we propose a Causal Equivalence Consolidation (CEC) module to strengthen causal content correlation through adversarial optimization during content randomization. Simultaneously, we design a Causal Transition Augmentation (CTA) module to ensure smooth causal flow by integrating an auxiliary pathway with text prompts and connecting it through contrastive learning. The experimental results on our in-house carotid ultrasound video dataset achieved an accuracy of 86.93\%, demonstrating the superior performance of the proposed method. Code is available at \href{https://github.com/xielaobanyy/causal-imt}{https://github.com/xielaobanyy/causal-imt}.
- Abstract（参考訳）: 頸動脈硬化は著明な健康リスクを示し,早期診断は主に頸動脈 intima-media thickening の超音波による評価に依存する。
しかし, 頸動脈超音波検診では, 視差の顕著な変化がスタイルシフトを引き起こし, 内腔解剖などの肥厚に関連する内容の手がかりを損なうことにより, 評価の妨げとなる急激な相関が生じる。
そこで本研究では,フレームワイド超音波ビデオにおける頸動脈内膜肥厚評価手法を提案する。
具体的には、新しいSpurious correlation Elimination (SCE) モジュールを導入し、非因果的スタイルの効果を、スタイル摂動による予測不変性を強制することによって除去する。
同時に、コンテンツランダム化時の逆最適化による因果関係の相関を強化するために、因果同値統合(CEC)モジュールを提案する。
同時に、補助経路をテキストプロンプトと統合し、対照的な学習を通して接続することにより、円滑な因果フローを確保するために、因果遷移拡張(CTA)モジュールを設計する。
術中頸動脈超音波画像データセットの精度は86.93 %であり,提案手法の優れた性能を示した。
コードは \href{https://github.com/xielaobanyy/causal-imt}{https://github.com/xielaobanyy/causal-imt} で公開されている。
関連論文リスト
- Mitigating Hallucination for Large Vision Language Model by Inter-Modality Correlation Calibration Decoding [66.06337890279839]
大規模視覚言語モデル(LVLM)は、下流のマルチモーダルタスクに対する視覚言語理解において顕著な能力を示している。
LVLMは、複雑な生成タスクにおいて幻覚を生じさせ、視覚入力と生成されたコンテンツの間に矛盾が生じている。
本研究では,LVLMにおける幻覚を無訓練で緩和するIMCCD法を提案する。
論文 参考訳（メタデータ） (2025-01-03T17:56:28Z) - Disentangled Noisy Correspondence Learning [56.06801962154915]
クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。
DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
論文 参考訳（メタデータ） (2024-08-10T09:49:55Z) - AngioMoCo: Learning-based Motion Correction in Cerebral Digital
Subtraction Angiography [1.8537989329832776]
脳X線デジタルサブトラクション血管造影(DSA)は、血流を可視化し、血管内治療を導くための標準的な画像技術である。
DSAの品質は、取得中に身体の動きに負の影響を受け、診断値が低下する。
我々は,X線アンギオグラフィーから運動補償DSAシーケンスを生成する学習ベースのフレームワークAngioMoCoを提案する。
論文 参考訳（メタデータ） (2023-10-09T06:42:43Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - AC-Norm: Effective Tuning for Medical Image Analysis via Affine
Collaborative Normalization [11.224435413938375]
Affine Collaborative Normalization (AC-Norm) が提案されている。
AC-Normは、クロスドメインチャネルワイズ相関に基づいてターゲットモデルのチャネルを動的に再分類する。
我々は,AC-Normがバニラファインタニングを最大4%改善したことを実証した。
論文 参考訳（メタデータ） (2023-07-28T03:27:25Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - A Causal Intervention Scheme for Semantic Segmentation of Quasi-periodic
Cardiovascular Signals [7.182731690965173]
フレームレベルのコントラスト的枠組みの下で,新たなトレーニングパラダイムを形成するために,コントラスト的因果介入(CCI)を提案する。
この介入は、単一の属性によってもたらされる暗黙の統計的バイアスを排除し、より客観的な表現につながる。
論文 参考訳（メタデータ） (2022-09-19T13:54:51Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - Decoupled Gradient Harmonized Detector for Partial Annotation:
Application to Signet Ring Cell Detection [13.530905176008057]
本稿では,DGHM-C損失(DGHM-C損失)と表現される分類損失(DGHM-C損失)にデカップリンググラディエント調和機構(DGHM)を組み込む。
笛と鐘がなければ、私たちはその挑戦で2位を獲得しました。
論文 参考訳（メタデータ） (2020-04-09T09:53:11Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。