論文の概要: Anatomy-Guided Multitask Learning for MRI-Based Classification of Placenta Accreta Spectrum and its Subtypes

• arxiv url: http://arxiv.org/abs/2505.17484v1
• Date: Fri, 23 May 2025 05:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.834834
• Title: Anatomy-Guided Multitask Learning for MRI-Based Classification of Placenta Accreta Spectrum and its Subtypes
• Title（参考訳）: 解剖誘導型マルチタスク学習による胎盤アクレタスペクトルのMRIによる分類とそのサブタイプ
• Authors: Hai Jiang, Qiongting Liu, Yuanpin Zhou, Jiawei Pan, Ting Song, Yao Lu,
• Abstract要約: 胎盤アクレタスペクトラム障害(PAS)は妊娠中に重大なリスクを引き起こす。 本研究では,PASとそのサブタイプの効率的な一段階的マルチクラス診断のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 8.27670531391613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placenta Accreta Spectrum Disorders (PAS) pose significant risks during pregnancy, frequently leading to postpartum hemorrhage during cesarean deliveries and other severe clinical complications, with bleeding severity correlating to the degree of placental invasion. Consequently, accurate prenatal diagnosis of PAS and its subtypes-placenta accreta (PA), placenta increta (PI), and placenta percreta (PP)-is crucial. However, existing guidelines and methodologies predominantly focus on the presence of PAS, with limited research addressing subtype recognition. Additionally, previous multi-class diagnostic efforts have primarily relied on inefficient two-stage cascaded binary classification tasks. In this study, we propose a novel convolutional neural network (CNN) architecture designed for efficient one-stage multiclass diagnosis of PAS and its subtypes, based on 4,140 magnetic resonance imaging (MRI) slices. Our model features two branches: the main classification branch utilizes a residual block architecture comprising multiple residual blocks, while the second branch integrates anatomical features of the uteroplacental area and the adjacent uterine serous layer to enhance the model's attention during classification. Furthermore, we implement a multitask learning strategy to leverage both branches effectively. Experiments conducted on a real clinical dataset demonstrate that our model achieves state-of-the-art performance.
• Abstract（参考訳）: 胎盤アクレタスペクトラム障害(PAS)は妊娠中に重篤なリスクを伴い、帝王切開後の出血や重篤な臨床合併症を引き起こす。 その結果、PASとそのサブタイプであるplacenta accreta(PA)、placenta increta(PI)、placenta percreta(PP)の正確な出生前診断が重要である。 しかし、既存のガイドラインや方法論は主にPASの存在に焦点を当てており、サブタイプ認識に対処する研究は限られている。 さらに、従来の多段階診断の取り組みは、主に非効率な2段階のバイナリ分類タスクに依存してきた。 本研究では,4,140磁気共鳴イメージング(MRI)スライスに基づいて,PASとそのサブタイプの効率的な一段階診断のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 本モデルでは, 主分類枝は複数の残差ブロックからなる残差ブロックアーキテクチャを用いており, 第二分類枝は子宮体部と隣接する子宮体層の解剖学的特徴を統合して, 分類中のモデルの注意力を高める。 さらに,両ブランチを効果的に活用するためのマルチタスク学習戦略を実装した。 実際の臨床データセットで行った実験は、我々のモデルが最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。 ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。 本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
  論文  参考訳（メタデータ） (2023-02-21T18:16:20Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)
• Towards A Device-Independent Deep Learning Approach for the Automated Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and Multi-Device Validation [0.0]
  胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。 提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
  論文  参考訳（メタデータ） (2022-02-28T05:42:03Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。