論文の概要: Learning from Similarity Proportion Loss for Classifying Skeletal Muscle Recovery Stages

• arxiv url: http://arxiv.org/abs/2505.04150v1
• Date: Wed, 07 May 2025 06:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.984714
• Title: Learning from Similarity Proportion Loss for Classifying Skeletal Muscle Recovery Stages
• Title（参考訳）: 骨格筋の回復段階の分類のための類似度推定損失からの学習
• Authors: Yu Yamaoka or Weng Ian Chan, Shigeto Seno, Soichiro Fukada, Hideo Matsuda,
• Abstract要約: 本稿では,2つのバッグの組み合わせから得られる類似度比の損失を利用した,類似度分布からの正規スケール学習(OSLSP)を提案する。 骨格筋の回復段階の分類作業において,OSLSPを用いたモデルは,大規模な事前訓練および微調整モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating the regeneration process of damaged muscle tissue is a fundamental analysis in muscle research to measure experimental effect sizes and uncover mechanisms behind muscle weakness due to aging and disease. The conventional approach to assessing muscle tissue regeneration involves whole-slide imaging and expert visual inspection of the recovery stages based on the morphological information of cells and fibers. There is a need to replace these tasks with automated methods incorporating machine learning techniques to ensure a quantitative and objective analysis. Given the limited availability of fully labeled data, a possible approach is Learning from Label Proportions (LLP), a weakly supervised learning method using class label proportions. However, current LLP methods have two limitations: (1) they cannot adapt the feature extractor for muscle tissues, and (2) they treat the classes representing recovery stages and cell morphological changes as nominal, resulting in the loss of ordinal information. To address these issues, we propose Ordinal Scale Learning from Similarity Proportion (OSLSP), which uses a similarity proportion loss derived from two bag combinations. OSLSP can update the feature extractor by using class proportion attention to the ordinal scale of the class. Our model with OSLSP outperforms large-scale pre-trained and fine-tuning models in classification tasks of skeletal muscle recovery stages.
• Abstract（参考訳）: 損傷した筋肉組織の再生過程を評価することは、筋肉研究の基本的な分析であり、加齢や疾患による実験的効果の大きさと筋の弱さのメカニズムを明らかにすることである。 筋組織の再生を評価する従来のアプローチは、細胞や繊維の形態情報に基づいて、全スライディングイメージングと、回復段階の専門的な視覚検査を含む。 これらのタスクを、定量的かつ客観的な分析を保証するために、機械学習技術を取り入れた自動化手法に置き換える必要がある。 完全ラベル付きデータの限られた可利用性を考えると、クラスラベル比を用いた弱い教師付き学習法であるLearning from Label Proportions (LLP)が考えられる。 しかしながら、現在のLPP法には、(1)筋肉組織に特徴抽出器を適応できないこと、(2)回復期と細胞形態変化を表すクラスを名目として扱うことの2つの制限がある。 これらの課題に対処するために,2つのバッグの組み合わせから得られる類似度比の損失を利用した,類似度分布からの正規スケール学習(OSLSP)を提案する。 OSLSPは、クラスの順序尺度に対するクラス比の注意を使って、特徴抽出器を更新することができる。 骨格筋の回復段階の分類作業において,OSLSPを用いたモデルは,大規模な事前訓練および微調整モデルよりも優れていた。

関連論文リスト

• Deep Learning Method to Predict Wound Healing Progress Based on Collagen Fibers in Wound Tissue [5.91170345684227]
  本稿では,創傷治癒の進展を予測するために,深層学習に基づく革新的なアプローチを提案する。 創傷治癒の6段階を82%の精度で分類した。 我々の知る限り,本提案モデルは創傷治癒過程を予測するための,最初の深層学習に基づく分類モデルである。
  論文  参考訳（メタデータ） (2024-05-08T13:33:32Z)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Learning-based Bone Quality Classification Method for Spinal Metastasis [36.59899006688448]
  脊椎転移の早期発見は、正確なステージングと最適な治療に重要である。 本稿では,CT画像に基づく脊椎転移の骨質自動分類法について検討する。
  論文  参考訳（メタデータ） (2024-02-14T02:53:51Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
  3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。 転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。 クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T17:42:30Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)

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。