論文の概要: ICGM-FRAX: Iterative Cross Graph Matching for Hip Fracture Risk Assessment using Dual-energy X-ray Absorptiometry Images
- arxiv url: http://arxiv.org/abs/2504.15384v1
- Date: Mon, 21 Apr 2025 18:52:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-01 01:47:05.243846
- Title: ICGM-FRAX: Iterative Cross Graph Matching for Hip Fracture Risk Assessment using Dual-energy X-ray Absorptiometry Images
- Title（参考訳）: ICGM-FRAX: Dual-Eergy X-ray Absorptiometry 画像を用いた股関節骨折リスク評価のための反復的クロスグラフマッチング
- Authors: Chen Zhao, Anjum Shaik, Joyce H. Keyak, Nancy E. Lane, Jeffrey D. Deng, Kuan-Jui Su, Qiuying Sha, Hui Shen, Hong-Wen Deng, Weihua Zhou,
- Abstract要約: ICGM-FRAXはDXA(Dual-Energy X-ray Absorptiometry)画像を用いた股関節骨折の予測手法である。
実験の結果,ICGM-FRAXの感度は0.9869であった。
- 参考スコア（独自算出の注目度）: 5.815886591098857
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hip fractures represent a major health concern, particularly among the elderly, often leading decreased mobility and increased mortality. Early and accurate detection of at risk individuals is crucial for effective intervention. In this study, we propose Iterative Cross Graph Matching for Hip Fracture Risk Assessment (ICGM-FRAX), a novel approach for predicting hip fractures using Dual-energy X-ray Absorptiometry (DXA) images. ICGM-FRAX involves iteratively comparing a test (subject) graph with multiple template graphs representing the characteristics of hip fracture subjects to assess the similarity and accurately to predict hip fracture risk. These graphs are obtained as follows. The DXA images are separated into multiple regions of interest (RoIs), such as the femoral head, shaft, and lesser trochanter. Radiomic features are then calculated for each RoI, with the central coordinates used as nodes in a graph. The connectivity between nodes is established according to the Euclidean distance between these coordinates. This process transforms each DXA image into a graph, where each node represents a RoI, and edges derived by the centroids of RoIs capture the spatial relationships between them. If the test graph closely matches a set of template graphs representing subjects with incident hip fractures, it is classified as indicating high hip fracture risk. We evaluated our method using 547 subjects from the UK Biobank dataset, and experimental results show that ICGM-FRAX achieved a sensitivity of 0.9869, demonstrating high accuracy in predicting hip fractures.
- Abstract（参考訳）: 股関節骨折は特に高齢者の主要な健康上の問題であり、運動能力の低下と死亡率の上昇につながる。
リスク個人を早期かつ正確に検出することは効果的な介入に不可欠である。
本研究では,DXA(Dual-Energy X-ray Absorptiometry)画像を用いた股関節骨折の診断手法であるICGM-FRAX(Iterative Cross Graph Matching for Hip Fracture Risk Assessment)を提案する。
ICGM-FRAXは、試験(対象)グラフと複数のテンプレートグラフとを反復的に比較して、類似性を評価し、正確に股関節骨折リスクを予測する。
これらのグラフは以下のようになる。
DXA画像は、大腿頭、シャフト、より小さい転子などの複数の関心領域(RoIs)に分けられる。
その後、各RoIに対して放射特性が計算され、中央座標はグラフのノードとして使用される。
ノード間の接続は、これらの座標間のユークリッド距離に応じて確立される。
このプロセスは各DXA画像をグラフに変換し、各ノードはRoIを表し、RoIのセントロイドによって導かれるエッジはそれらの間の空間的関係をキャプチャする。
もしテストグラフが、入射した股関節骨折者を示す一連のテンプレートグラフと密接に一致しているなら、それは高い股関節骨折リスクを示すものと分類される。
ICGM-FRAXの感度は0.9869であり, 股関節骨折の予測精度が高い。
関連論文リスト
- Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs [0.0]
Singh Index (SI) は単純で半定量的な骨粗しょう症の診断方法である。
本研究は, 機械学習アルゴリズムを用いて, ラジオグラフからのSI識別を自動化することを目的とする。
論文 参考訳（メタデータ） (2024-11-22T08:44:43Z) - Shadow and Light: Digitally Reconstructed Radiographs for Disease Classification [8.192975020366777]
DRR-RATEは、21,304人のユニークな患者から50,188個の前方デジタル再構成ラジオグラフィー(DRR)から構成される。
各画像は、対応する放射線学テキストレポートと18の病理学クラスのためのバイナリラベルとがペアリングされる。
我々は,既存の大規模胸部X線リソース,特にCheXpertデータセットとCheXnetモデルと併用して,DRR-RATEの適用性を示す。
論文 参考訳（メタデータ） (2024-06-06T02:19:18Z) - B-Spine: Learning B-Spline Curve Representation for Robust and
Interpretable Spinal Curvature Estimation [50.208310028625284]
脊椎のB-スプライン曲線表現を学習するための新しいディープラーニングパイプラインであるB-Spineを提案する。
低画質X線画像から脊髄曲率推定のためのコブ角度を推定する。
論文 参考訳（メタデータ） (2023-10-14T15:34:57Z) - Automatic Classification of Symmetry of Hemithoraces in Canine and
Feline Radiographs [0.0]
畳み込みニューラルネットワーク(CNN)とアクティブな輪郭に基づくヘミトトラス分割法を提案する。
提案手法のロバスト性を検証するため, 被曝・露出過多に対するソラックスセグメンテーション法を用いて, 適切に露光したラジオグラフィーを合成的に劣化させた。
論文 参考訳（メタデータ） (2023-02-24T22:46:16Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳（メタデータ） (2022-06-27T10:31:03Z) - Fast and Robust Femur Segmentation from Computed Tomography Images for
Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。
本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文 参考訳（メタデータ） (2022-04-20T16:16:16Z) - GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease
Localization in X-ray images [35.18562405272593]
コンテキスト情報や補償情報として、クロスリージョンとクロスイメージの関係は、より一貫性のある統合された領域を得るために不可欠である。
胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。
このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得られた。
論文 参考訳（メタデータ） (2021-07-14T01:27:07Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z) - 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)
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。