論文の概要: A Multimodal Cross-View Model for Predicting Postoperative Neck Pain in Cervical Spondylosis Patients

• arxiv url: http://arxiv.org/abs/2509.02256v1
• Date: Tue, 02 Sep 2025 12:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.019869
• Title: A Multimodal Cross-View Model for Predicting Postoperative Neck Pain in Cervical Spondylosis Patients
• Title（参考訳）: 頚椎症術後の頸部痛予測のためのマルチモーダルクロスビューモデル
• Authors: Jingyang Shan, Qishuai Yu, Jiacen Liu, Shaolin Zhang, Wen Shen, Yanxiao Zhao, Tianyi Wang, Xiaolin Qin, Yiheng Yin,
• Abstract要約: 頸部痛は頚椎症の主要な症状であるが、その根本機序はいまだ不明である。 本稿では,マルチモーダル統合を容易にする適応的双方向ピラミッド差分変換モジュールを提案する。 MMCSDデータセットを用いた実験により,提案モデルにより術後の頚部痛回復の予測精度が向上することが示された。
• 参考スコア（独自算出の注目度）: 9.915439327075141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neck pain is the primary symptom of cervical spondylosis, yet its underlying mechanisms remain unclear, leading to uncertain treatment outcomes. To address the challenges of multimodal feature fusion caused by imaging differences and spatial mismatches, this paper proposes an Adaptive Bidirectional Pyramid Difference Convolution (ABPDC) module that facilitates multimodal integration by exploiting the advantages of difference convolution in texture extraction and grayscale invariance, and a Feature Pyramid Registration Auxiliary Network (FPRAN) to mitigate structural misalignment. Experiments on the MMCSD dataset demonstrate that the proposed model achieves superior prediction accuracy of postoperative neck pain recovery compared with existing methods, and ablation studies further confirm its effectiveness.
• Abstract（参考訳）: 頸部痛は頚椎症の主要な症状であるが、その根本機序は不明確であり、治療成績は不確実である。 画像の違いと空間的ミスマッチに起因するマルチモーダル特徴融合の課題を解決するために,テクスチャ抽出とグレースケール不変性における差分畳み込みの利点を生かして,多モーダル統合を容易にする適応的双方向ピラミッド差分畳込み(ABPDC)モジュールと,構造的ミスアライメントを緩和するための特徴ピラミッド登録補助ネットワーク(FPRAN)を提案する。 MMCSDデータセットを用いた実験では, 既存の方法と比較して, 術後の頚部痛回復の予測精度が良好であることが示され, アブレーション研究によりさらに有効性が確認された。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Towards Scalable and Robust White Matter Lesion Localization via Multimodal Deep Learning [2.0749231618270803]
  ホワイトマター・ハイパーインテンシティ(White matter hyperintensities, WMH)は、小血管疾患や神経変性の放射線マーカーであり、正確なセグメンテーションと局所化が診断とモニタリングに不可欠である。 単一モードのMRI入力とマルチモードのMRI入力を用いて,WM病変分割と局所化の深層学習フレームワークを提案する。 本研究は, 高精度かつ堅牢なWMH解析のためのマルチモーダルフュージョンの有用性と, 統合予測のためのジョイントモデリングの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-27T09:39:26Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• ETSCL: An Evidence Theory-Based Supervised Contrastive Learning Framework for Multi-modal Glaucoma Grading [7.188153974946432]
  緑内障は視覚障害の主要な原因の1つである。 医用画像の類似度が高いことと、不均衡なマルチモーダルデータ分布のため、信頼性の高い特徴を抽出することは依然として困難である。 コントラストのある特徴抽出段階と決定レベルの融合段階からなる新しいフレームワークであるETSCLを提案する。
  論文  参考訳（メタデータ） (2024-07-19T11:57:56Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)
• TranSOP: Transformer-based Multimodal Classification for Stroke Treatment Outcome Prediction [2.358784542343728]
  本稿では,臨床メタデータと画像情報を利用した分類手法として,トランスフォーマーベースのマルチモーダルネットワーク(TranSOP)を提案する。 これには3D非造影CT(non-contrast Computed tomography)の特徴と臨床情報を効率的に組み合わせる融合モジュールが含まれる。 単モーダルおよびマルチモーダルデータを用いた比較実験では、最先端のAUCスコアが0.85である。
  論文  参考訳（メタデータ） (2023-01-25T21:05:10Z)
• Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition of Pneumonia from Chest X-Ray Images [2.1408385210297656]
  本稿では,医療実践に高速な分析支援を実現するために,解釈可能な肺炎認識フレームワークを開発した。 認識過程を高速化する計算複雑性を低減するため,Transformer内の新しい多段階自己認識機構が提案されている。 本手法の有効性は,CXR画像データセットを用いた古典的な新型コロナウイルス認識タスクにおいて実証されている。
  論文  参考訳（メタデータ） (2022-10-29T12:12:03Z)

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。