論文の概要: Gaussian Process Diffeomorphic Statistical Shape Modelling Outperforms Angle-Based Methods for Assessment of Hip Dysplasia

• arxiv url: http://arxiv.org/abs/2506.04886v1
• Date: Thu, 05 Jun 2025 11:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.671202
• Title: Gaussian Process Diffeomorphic Statistical Shape Modelling Outperforms Angle-Based Methods for Assessment of Hip Dysplasia
• Title（参考訳）: 変形性股関節症評価のためのアングル法を応用したガウス過程微分型統計的形状モデル
• Authors: Allen Paul, George Grammatopoulos, Adwaye Rambojun, Neill D. F. Campbell, Harinderjit S. Gill, Tony Shardlow,
• Abstract要約: 患者股関節のCT画像を用いた半自動異形成分類のためのパイプラインを開発した。 192個のCTスキャン,100個のモデルトレーニング,92個のテストを行った。 GPDSSMは、異形成サンプルとコントロールを効果的に区別すると同時に、異形成変化を示す表面の領域をハイライトする。
• 参考スコア（独自算出の注目度）: 3.9748105171864037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dysplasia is a recognised risk factor for osteoarthritis (OA) of the hip, early diagnosis of dysplasia is important to provide opportunities for surgical interventions aimed at reducing the risk of hip OA. We have developed a pipeline for semi-automated classification of dysplasia using volumetric CT scans of patients' hips and a minimal set of clinically annotated landmarks, combining the framework of the Gaussian Process Latent Variable Model with diffeomorphism to create a statistical shape model, which we termed the Gaussian Process Diffeomorphic Statistical Shape Model (GPDSSM). We used 192 CT scans, 100 for model training and 92 for testing. The GPDSSM effectively distinguishes dysplastic samples from controls while also highlighting regions of the underlying surface that show dysplastic variations. As well as improving classification accuracy compared to angle-based methods (AUC 96.2% vs 91.2%), the GPDSSM can save time for clinicians by removing the need to manually measure angles and interpreting 2D scans for possible markers of dysplasia.
• Abstract（参考訳）: 変形性股関節症は変形性股関節症 (OA) の危険因子として認識され, 早期診断は股関節症 (OA) のリスク軽減を目的とした外科的治療の機会を提供するために重要である。 我々は,患者股関節のCTスキャンと臨床注記の最小セットを用いて,半自動で異形成を分類するためのパイプラインを開発し,ガウス過程の潜在変数モデルと微分同相モデルの枠組みを組み合わせて統計的形状モデルを作成し,ガウス過程Diffomorphic Statistical Shape Model (GPDSSM) と呼ぶ。 192個のCTスキャン,100個のモデルトレーニング,92個のテストを行った。 GPDSSMは、異形成サンプルとコントロールを効果的に区別すると同時に、異形成変化を示す表面の領域をハイライトする。 GPDSSMは、角度に基づく方法(AUC 96.2% vs 91.2%)と比較して分類精度を向上させるとともに、手動で角度を測定する必要をなくし、2Dスキャンでジスプラシアのマーカーを解釈することで、臨床医の時間を節約することができる。

関連論文リスト

• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
  本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。 その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
  論文  参考訳（メタデータ） (2024-02-12T01:03:39Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
  そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。 提案モデルでは,AUCスコアが0.896であった。
  論文  参考訳（メタデータ） (2022-02-08T00:43:57Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。