論文の概要: Gradient based Severity Labeling for Biomarker Classification in OCT

• arxiv url: http://arxiv.org/abs/2602.19907v1
• Date: Mon, 23 Feb 2026 14:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.859878
• Title: Gradient based Severity Labeling for Biomarker Classification in OCT
• Title（参考訳）: OCTにおけるバイオマーカー分類のためのグラディエントベース重度ラベリング
• Authors: Kiran Kokilepersaud, Mohit Prabhushankar, Ghassan AlRegib, Stephanie Trejo Corona, Charles Wykoff,
• Abstract要約: 医用画像に対するコントラスト学習のための新しい選択戦略を提案する。 我々は、異常検出アルゴリズムから勾配応答に基づいて、ラベルなしOCTスキャンのための重症度ラベルを生成する。 これらのラベルは、糖尿病網膜症に対する自己監督ベースラインの最大6%のバイオマーカー分類精度を向上させるために、教師付きコントラスト学習装置の訓練に使用される。
• 参考スコア（独自算出の注目度）: 11.838633131911648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel selection strategy for contrastive learning for medical images. On natural images, contrastive learning uses augmentations to select positive and negative pairs for the contrastive loss. However, in the medical domain, arbitrary augmentations have the potential to distort small localized regions that contain the biomarkers we are interested in detecting. A more intuitive approach is to select samples with similar disease severity characteristics, since these samples are more likely to have similar structures related to the progression of a disease. To enable this, we introduce a method that generates disease severity labels for unlabeled OCT scans on the basis of gradient responses from an anomaly detection algorithm. These labels are used to train a supervised contrastive learning setup to improve biomarker classification accuracy by as much as 6% above self-supervised baselines for key indicators of Diabetic Retinopathy.
• Abstract（参考訳）: 本稿では,医用画像に対するコントラスト学習のための新しい選択手法を提案する。 自然画像において、コントラスト学習は、コントラストの損失に対して正と負のペアを選択するために拡張を使用する。 しかし、医学領域では、任意の拡張は、私たちが検出したいバイオマーカーを含む小さな局所的な領域を歪める可能性がある。 より直感的なアプローチは、同様の病気の重症度特性を持つサンプルを選択することである。 そこで本研究では,異常検出アルゴリズムからの勾配応答に基づいて,未ラベルOCTスキャンの重症度ラベルを生成する手法を提案する。 これらのラベルは、糖尿病網膜症の主要な指標に対する自己監督ベースラインの最大6%の精度でバイオマーカー分類精度を向上させるために、教師付きコントラスト学習装置の訓練に使用される。

関連論文リスト

• Clinically Labeled Contrastive Learning for OCT Biomarker Classification [12.633032175875865]
  本稿では,臨床データから抽出可能なラベルに基づく医用画像のコントラスト学習手法を提案する。 バイオマーカーラベルを使わずに,臨床データを擬似ラベルとして利用することで,この関係を活用できる。 バイオマーカー検出AUROCでは,最大5%の性能向上が見られた。
  論文  参考訳（メタデータ） (2023-05-24T13:51:48Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Clinical Contrastive Learning for Biomarker Detection [15.510581400494207]
  臨床とバイオマーカーデータの関係を利用して,バイオマーカー分類の性能を向上する。 これは、バイオマーカーラベルを使わずに、大量の臨床データを擬似ラベルとして活用することで達成される。 本手法は, バイオマーカー検出の精度を最大5%向上させることで, 自己監督手法の精度を最大で5%向上させることを示した。
  論文  参考訳（メタデータ） (2022-11-09T18:29:56Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups [1.4585861543119112]
  我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。 我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
  論文  参考訳（メタデータ） (2022-02-23T13:57:35Z)
• Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI [3.0681909921734416]
  認知症早期発見は支援戦略の発達において重要な役割を担っている。 視覚的バイオマーカーを用いてFazekasスケールに基づいて疾患の重症度を分類することを提案する。 MRIスタック全体に重症度ラベルを割り当てる形での小さなトレーニングサンプルサイズと弱い監督は、主な課題の一つです。
  論文  参考訳（メタデータ） (2021-03-18T07:33:57Z)
• Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D CNNs [0.0699049312989311]
  放射線医のアノテーションとCTスキャンの画像分類を併用して肺悪性度を推定するハイブリッドアルゴリズムを提案する。 提案アルゴリズムは3次元畳み込みニューラルネットワーク(CNN)とランダムフォレストを用いて,CT画像とバイオマーカーのアノテーションと放射能の特徴を組み合わせる。 画像バイオマーカーのみを用いたモデルは,バイオマーカーをボリュームラジオミクス,3D CNN,セミ教師付き学習と組み合わせたモデルよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-10-19T18:57:26Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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。