論文の概要: Opportunistic Osteoporosis Diagnosis via Texture-Preserving Self-Supervision, Mixture of Experts and Multi-Task Integration

• arxiv url: http://arxiv.org/abs/2506.20282v1
• Date: Wed, 25 Jun 2025 09:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.683463
• Title: Opportunistic Osteoporosis Diagnosis via Texture-Preserving Self-Supervision, Mixture of Experts and Multi-Task Integration
• Title（参考訳）: テクスチャー保存型セルフスーパービジョン, エキスパートの混在, マルチタスク統合によるオポチュニティ性骨粗しょう症の診断
• Authors: Jiaxing Huang, Heng Guo, Le Lu, Fan Yang, Minfeng Xu, Ge Yang, Wei Luo,
• Abstract要約: 骨粗しょう症診断のための3つの革新を取り入れた統合型深層学習フレームワークを提案する。 まず, 放射能表現を用いた自己教師型学習法を用いて, ラベルのないCTデータを活用し, 骨のテクスチャを保存する。 第2に、クロスデバイス適応性を高めるための学習ゲーティング機構を備えたMixture of Experts (MoE)アーキテクチャ。
• 参考スコア（独自算出の注目度）: 17.26626371820754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Osteoporosis, characterized by reduced bone mineral density (BMD) and compromised bone microstructure, increases fracture risk in aging populations. While dual-energy X-ray absorptiometry (DXA) is the clinical standard for BMD assessment, its limited accessibility hinders diagnosis in resource-limited regions. Opportunistic computed tomography (CT) analysis has emerged as a promising alternative for osteoporosis diagnosis using existing imaging data. Current approaches, however, face three limitations: (1) underutilization of unlabeled vertebral data, (2) systematic bias from device-specific DXA discrepancies, and (3) insufficient integration of clinical knowledge such as spatial BMD distribution patterns. To address these, we propose a unified deep learning framework with three innovations. First, a self-supervised learning method using radiomic representations to leverage unlabeled CT data and preserve bone texture. Second, a Mixture of Experts (MoE) architecture with learned gating mechanisms to enhance cross-device adaptability. Third, a multi-task learning framework integrating osteoporosis diagnosis, BMD regression, and vertebra location prediction. Validated across three clinical sites and an external hospital, our approach demonstrates superior generalizability and accuracy over existing methods for opportunistic osteoporosis screening and diagnosis.
• Abstract（参考訳）: 骨粗しょう症は骨密度(BMD)の低下と骨の微細構造が損なわれ、高齢化による骨折のリスクを増大させる。 二重エネルギーX線吸収率(DXA)がBMD評価の基準であるのに対し、アクセシビリティの限界はリソース制限領域の診断を妨げている。 オポチュニティ・コンピュート・トモグラフィー (CT) 解析は, 既存の画像データを用いた骨粗しょう症診断の代替として有望なものである。 しかし現在のアプローチでは,(1)未ラベルの椎体データの利用不足,(2)デバイス固有のDXA異常からの系統的偏り,(3)空間的BMD分布パターンなどの臨床知識の不十分な統合,の3つの限界に直面している。 これらの課題に対処するために,3つの革新を伴う統合型ディープラーニングフレームワークを提案する。 まず, 放射能表現を用いた自己教師型学習法を用いて, ラベルのないCTデータを活用し, 骨のテクスチャを保存する。 第2に、クロスデバイス適応性を高めるための学習ゲーティング機構を備えたMixture of Experts (MoE)アーキテクチャ。 第3に、骨粗しょう症診断、BMD回帰、椎骨位置予測を統合したマルチタスク学習フレームワーク。 当院は, 3つの臨床施設と外部病院にまたがって, 既存の骨粗しょう症のスクリーニング・診断方法よりも, より総合性と精度が優れていることを実証した。

関連論文リスト

• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• A Multi-Site Study on AI-Driven Pathology Detection and Osteoarthritis Grading from Knee X-Ray [0.0]
  変形性関節症や変形性膝関節症のような骨の健康障害は、世界的な健康問題を引き起こす。 本研究では, 膝X線を解析し, 重要な病態を検出するAIシステムを提案する。 また、変形性関節症の重症度も評価し、タイムリーにパーソナライズされた治療を可能にしている。
  論文  参考訳（メタデータ） (2025-03-28T06:41:22Z)
• Osteoporosis Prediction from Hand X-ray Images Using Segmentation-for-Classification and Self-Supervised Learning [3.267409660494317]
  Dual-Energy X-ray absorptiometry (DXA)のような骨密度試験に限定的にアクセスするため、診断も治療も行われていない慢性代謝性骨疾患である。 本稿では手・手首X線画像を用いた骨粗しょう症の予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T13:47:29Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Bone mineral density estimation from a plain X-ray image by learning decomposition into projections of bone-segmented computed tomography [4.872603360039571]
  骨粗しょう症(英: osteoporosis)は、脆弱な骨の骨折を引き起こす骨疾患であり、日常生活活動の低下につながる。 骨の健康、低コスト、低用量、ユビキタスに利用可能な診断方法を頻繁に監視するためには、非常に期待されている。 本研究の目的は, 骨密度を原X線画像から推定し, 骨密度を計測することである。
  論文  参考訳（メタデータ） (2023-07-21T11:49:30Z)
• BMD-GAN: Bone mineral density estimation using x-ray image decomposition into projections of bone-segmented quantitative computed tomography using hierarchical learning [1.8762753243053634]
  そこで本研究では,QCTを用いて生成的対位ネットワーク(GAN)を訓練し,X線画像を骨分節QCTの投影に分解する手法を提案する。 変形性膝関節症患者200名を対象に, 予測真理と地上真理のピアソン相関係数が0.888であった。
  論文  参考訳（メタデータ） (2022-07-07T10:33:12Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• 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)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Introducing Anisotropic Minkowski Functionals for Local Structure Analysis and Prediction of Biomechanical Strength of Proximal Femur Specimens [0.0]
  骨粗しょう症や外傷による骨の脆さや骨折は、50歳以上の成人に多く見られ、生活の質を低下させる。 本研究では,MDCT画像から大腿骨近位部標本の骨強度を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-02T14:33:03Z)

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。