論文の概要: Diffusion-Based User-Guided Data Augmentation for Coronary Stenosis Detection

• arxiv url: http://arxiv.org/abs/2508.00438v1
• Date: Fri, 01 Aug 2025 08:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.804418
• Title: Diffusion-Based User-Guided Data Augmentation for Coronary Stenosis Detection
• Title（参考訳）: 冠動脈狭窄検出のための拡散型ユーザガイドデータ拡張
• Authors: Sumin Seo, In Kyu Lee, Hyun-Woo Kim, Jaesik Min, Chung-Hwan Jung,
• Abstract要約: 冠動脈狭窄は虚血性心疾患の主要な危険因子である。 近年のディープラーニングの進歩は、自動位置決めと重度測定の大きな可能性を示している。 本稿では,拡散モデルに基づく塗り絵法を用いて,現実的な病変を生成する新しいデータ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 9.920088713050923
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Coronary stenosis is a major risk factor for ischemic heart events leading to increased mortality, and medical treatments for this condition require meticulous, labor-intensive analysis. Coronary angiography provides critical visual cues for assessing stenosis, supporting clinicians in making informed decisions for diagnosis and treatment. Recent advances in deep learning have shown great potential for automated localization and severity measurement of stenosis. In real-world scenarios, however, the success of these competent approaches is often hindered by challenges such as limited labeled data and class imbalance. In this study, we propose a novel data augmentation approach that uses an inpainting method based on a diffusion model to generate realistic lesions, allowing user-guided control of severity. Extensive evaluation on lesion detection and severity classification across various synthetic dataset sizes shows superior performance of our method on both a large-scale in-house dataset and a public coronary angiography dataset. Furthermore, our approach maintains high detection and classification performance even when trained with limited data, highlighting its clinical importance in improving the assessment of severity of stenosis and optimizing data utilization for more reliable decision support.
• Abstract（参考訳）: 冠動脈狭窄は虚血性心疾患の主要な危険因子であり、死亡率の増加につながる。 冠動脈造影は、狭窄を評価するための重要な視覚的手がかりを提供する。 近年の深層学習の進歩は,狭窄の自動局在化と重症度測定に大きな可能性を示している。 しかし、現実のシナリオでは、これらの有能なアプローチの成功は、ラベル付きデータやクラス不均衡といった課題によってしばしば妨げられる。 本研究では,拡散モデルに基づく塗工法を用いて現実的な病変を発生し,ユーザが重症度を制御できる新しいデータ拡張手法を提案する。 各種合成データセットサイズにおける病変検出および重症度分類の広範囲な評価は,大規模な社内データセットと冠動脈造影データセットの両方において,本手法の優れた性能を示している。 さらに,本手法は,限られたデータで訓練しても高い検出と分類性能を維持し,狭窄の重症度評価の改善と信頼性の高い意思決定支援のためのデータ利用の最適化における臨床的重要性を強調した。

関連論文リスト

• CM-UNet: A Self-Supervised Learning-Based Model for Coronary Artery Segmentation in X-Ray Angiography [32.67225649913398]
  CM-UNetは、注釈なしデータセットの自己教師付き事前学習と限られた注釈付きデータでの転送学習を利用する。 500点ではなく18点の注釈付き画像で微調整されたCM-UNetは、Diceのスコアが15.2%低下した。 これは、X線血管造影による冠動脈セグメンテーション改善における自己教師的学習の重要性を強調した最初の研究の1つである。
  論文  参考訳（メタデータ） (2025-07-22T21:27:34Z)
• Towards Fair Medical AI: Adversarial Debiasing of 3D CT Foundation Embeddings [13.985136866888379]
  自己教師付き学習は、大規模未ラベルデータセットから効率的で一般化可能な特徴抽出を可能にすることで、医療画像に革命をもたらした。 近年、自己教師付き基礎モデルは3次元CTデータに拡張され、1408個の特徴を持つコンパクトで情報豊富な埋め込みを生成する。 これらの埋め込みは、年齢、性別、人種などの人口統計情報を符号化することが示されており、臨床応用の公正性に重大なリスクをもたらす。 本稿では,VAEをベースとした対向的デバイアス化フレームワークを提案し,これらの埋め込みを人口統計学の新たな潜在空間に変換する。
  論文  参考訳（メタデータ） (2025-02-05T20:32:42Z)
• FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography [0.3823356975862007]
  冠動脈狭窄は心不全の根底にある因子である。 冠動脈病変の診断にはいくつかの欠点がある。 深層学習法は、FFR/iFR値の自動推定において、心臓科医を支援するために登場した。
  論文  参考訳（メタデータ） (2024-09-21T23:52:05Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
  冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。 心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。 自動冠状動脈疾患診断では異常な成績を示した。
  論文  参考訳（メタデータ） (2023-11-17T02:01:19Z)
• Cross-Task Data Augmentation by Pseudo-label Generation for Region Based Coronary Artery Instance Segmentation [6.611985866622974]
  冠動脈疾患(CAD)は予防できるが、死因や障害の主な原因の一つである。 限られた量のデータとデータセットのキュレーションが難しいため、セグメンテーションのタスクは難しいことが証明されている。 血管造影データセットにおける限られたデータの問題に対処するために擬似ラベルを導入し,ベースラインYOLOモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-10-08T04:54:12Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。