論文の概要: Disc-Centric Contrastive Learning for Lumbar Spine Severity Grading

• arxiv url: http://arxiv.org/abs/2602.05738v1
• Date: Thu, 05 Feb 2026 15:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.991941
• Title: Disc-Centric Contrastive Learning for Lumbar Spine Severity Grading
• Title（参考訳）: 腰椎重度グレーディングのための離散中心的コントラスト学習
• Authors: Sajjan Acharya, Pralisha Kansakar,
• Abstract要約: 本研究は,T2強調MRIによる腰部脊柱管狭窄の重症度自動評価のためのディスク中心的アプローチについて検討した。 この方法は、椎間板あたりの1つの解剖学的局在領域を用いて、対照的な事前訓練とディスクレベルの微調整を組み合わせる。 実験では、78.1%のバランスの取れた正確さと、2.13%の重度から正常な誤分類率の低下が示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work examines a disc-centric approach for automated severity grading of lumbar spinal stenosis from sagittal T2-weighted MRI. The method combines contrastive pretraining with disc-level fine-tuning, using a single anatomically localized region of interest per intervertebral disc. Contrastive learning is employed to help the model focus on meaningful disc features and reduce sensitivity to irrelevant differences in image appearance. The framework includes an auxiliary regression task for disc localization and applies weighted focal loss to address class imbalance. Experiments demonstrate a 78.1% balanced accuracy and a reduced severe-to-normal misclassification rate of 2.13% compared with supervised training from scratch. Detecting discs with moderate severity can still be challenging, but focusing on disc-level features provides a practical way to assess the lumbar spinal stenosis.
• Abstract（参考訳）: 本研究は,T2強調MRIによる腰部脊柱管狭窄の重症度自動評価のためのディスク中心的アプローチについて検討した。 この方法は、椎間板あたりの1つの解剖学的局在領域を用いて、対照的な事前訓練とディスクレベルの微調整を組み合わせる。 コントラスト学習は、モデルが意味のあるディスクの特徴に焦点を合わせ、画像の外観の無関係な違いに対する感受性を減らすのに役立つ。 このフレームワークは、ディスクローカライゼーションのための補助回帰タスクを含み、クラス不均衡に対処するために重み付けされた焦点損失を適用する。 実験では、78.1%のバランスの取れた正確さと、2.13%の重度から正常な誤分類率の低下が示されている。 軽度の重度で円盤を検出することは依然として困難であるが、円盤レベルの特徴に注目することは、腰部脊柱管狭窄を評価するための実用的な方法である。

関連論文リスト

• Segmentation of Ischemic Stroke Lesions using Transfer Learning on Multi-sequence MRI [0.0]
  各種MRIで虚血性脳梗塞を自動的に分類するための新しい枠組みを提案する。 提案手法はISLES 2015 Brain Stroke シーケンスデータセットで検証されている。 我々の努力はDiceスコア80.5%、精度74.03%を達成し、セグメンテーションアプローチの有効性を示した。
  論文  参考訳（メタデータ） (2025-11-10T16:27:25Z)
• AI and Deep Learning for Automated Segmentation and Quantitative Measurement of Spinal Structures in MRI [0.0]
  本研究では,MRIスキャンにおける重要な脊髄構造をセグメント化し,計測する自律型AIシステムの開発を行う。 目標は、臨床の作業量を削減し、診断の整合性を高め、評価を改善することである。
  論文  参考訳（メタデータ） (2025-03-14T10:39:52Z)
• Pioneering Precision in Lumbar Spine MRI Segmentation with Advanced Deep Learning and Data Enhancement [0.0]
  本研究では、クラス不均衡やデータ前処理といった重要な課題に対処することに焦点を当てる。 腰痛患者のMRI検査は、脊椎、脊椎、椎間板(IVD)の3つの重要な分類を正確に表現するために、精査的に前処理されている 改良されたU-Netモデルは、リークされたRectified Linear Units (ReLU)とGrorotの一様初期化器を備えたアップサンプルブロックを含む革新的なアーキテクチャ拡張を含んでいる。
  論文  参考訳（メタデータ） (2024-09-09T19:22:17Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• 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)
• Stacked Hourglass Network with a Multi-level Attention Mechanism: Where to Look for Intervertebral Disc Labeling [2.3848738964230023]
  椎間板の位置と骨格構造を協調的に学習する多レベルアテンション機構を有する重畳時間ガラスネットワークを提案する。 提案した深層学習モデルは意味的セグメンテーションの強さとポーズ推定手法を考慮し,欠落した領域と偽陽性検出を扱う。
  論文  参考訳（メタデータ） (2021-08-14T14:53:27Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。