論文の概要: Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment

• arxiv url: http://arxiv.org/abs/2603.02367v1
• Date: Mon, 02 Mar 2026 20:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.534908
• Title: Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment
• Title（参考訳）: 透明膝MRI評価のための患者特異的放射線像の検索
• Authors: Yaxi Chen, Simin Ni, Jingjing Zhang, Shaheer U. Saeed, Yipei Wang, Aleksandra Ivanova, Rikin Hargunani, Chaozong Liu, Jie Huang, Yipeng Hu,
• Abstract要約: 古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。 近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測する。 本稿では,患者ごとにひとつのコンパクトな特徴セットを予測できる,患者固有の特徴セット選択フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.97456036889799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical radiomic features are designed to quantify image appearance and intensity patterns. Compared with end-to-end deep learning (DL) models trained for disease classification, radiomics pipelines with low-dimensional parametric classifiers offer enhanced transparency and interpretability, yet often underperform because of the reliance on population-level predefined feature sets. Recent work on adaptive radiomics uses DL to predict feature weights over a radiomic pool, then thresholds these weights to retain the top-k features from large radiomic pool F (often ~10^3). However, such marginal ranking can over-admit redundant descriptors and overlook complementary feature interactions. We propose a patient-specific feature-set selection framework that predicts a single compact feature set per subject, targeting complementary and diverse evidence rather than marginal top-k features. To overcome the intractable combinatorial search space of F choose k features, our method utilizes a 2-stage retrieval strategy: randomly sample diverse candidate feature sets, then rank these sets with a learned scoring function to select a high-performing feature set for the specific patient. The system consists of a feature-set scorer, and a classifier that performs the final diagnosis. We empirically show that the proposed two-stage retrieval approximates the original exhaustive all k-feature selection. Validating on tasks including ACL tear detection and KL grading for osteoarthritis, the experimental results achieve diagnostic performance, outperforming the top-k approach with the same k values, and competitive with end-to-end DL models while maintaining high transparency. The model generates auditable feature sets that link clinical outcomes to specific anatomical regions and radiomic families, allowing clinicians to inspect which anatomical structures and quantitative descriptors drive the prediction.
• Abstract（参考訳）: 古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。 病気分類のために訓練されたエンド・ツー・エンドのディープラーニング(DL)モデルと比較して、低次元パラメトリック分類器を用いた放射能パイプラインは、透明性と解釈性の向上を提供するが、人口レベルの事前定義された特徴セットに依存するため、しばしば性能が低下する。 近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測するとともに、これらの重みをしきい値にし、大きな放射能プールF(しばしば10^3)からトップkの特徴を保持する。 しかし、このような限界ランク付けは冗長な記述子を過剰に許容し、相補的な特徴的相互作用を見落としてしまう可能性がある。 そこで本研究では,患者毎の1つのコンパクトな特徴セットを予測する,患者固有の特徴セット選択フレームワークを提案する。 そこで本手法では, 種々の候補特徴集合をランダムにサンプリングし, それらの集合を学習スコア関数でランク付けし, 特定の患者に対して高い性能を示す特徴集合を選択する。 システムは特徴セットスコアラーと最終診断を行う分類器とから構成される。 提案した2段階探索法は, 元の全k-fature選択を近似することを示した。 変形性膝関節症に対するACL損傷検出やKLグレーディングなどの課題を検証し, 診断成績, 同一のK値でトップkアプローチを上回り, 高い透明性を維持しつつ, エンドツーエンドのDLモデルと競合する結果を得た。 このモデルは、臨床結果と特定の解剖学的領域と放射線学的家族を結びつける監査可能な特徴セットを生成し、臨床医はどの解剖学的構造と定量的記述者が予測を駆動するかを検査することができる。

関連論文リスト

• Interpretability and Individuality in Knee MRI: Patient-Specific Radiomic Fingerprint with Reconstructed Healthy Personas [40.168029561784216]
  放射線指紋(Radiomic fingerprint)は、MRIから派生した患者固有の特徴である。 健康なペルソナは、各患者に対して病理のないベースラインを合成する。 病理像から抽出した特徴を人格と比較すると、正常な解剖学からの逸脱が強調される。
  論文  参考訳（メタデータ） (2026-01-13T14:48:01Z)
• Radiomic fingerprints for knee MR images assessment [39.11295870085984]
  既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。 これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。 DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。 既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
  論文  参考訳（メタデータ） (2025-06-25T10:39:22Z)
• Patient-specific radiomic feature selection with reconstructed healthy persona of knee MR images [39.11295870085984]
  古典的な放射能の特徴は、画像の外観と強度パターンを記述するように設計されている。 このような放射能特性を用いた低次元パラメトリックモデルでは、解釈性は向上するが、臨床における比較性能は低下する。 本稿では,患者ごとの放射線学的特徴を学習することで,標準的なロジスティック回帰モデルの性能を大幅に改善する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T12:55:43Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• CAVE-Net: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
  複雑な画像データセットを解析する際の診断精度を向上させるために,アンサンブルに基づくアプローチを提案する。 各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。 これらの手法を用いることで、提案フレームワークであるCAVE-Netは、ロバストな特徴識別と、より優れた分類結果を提供する。
  論文  参考訳（メタデータ） (2024-10-26T17:25:08Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
  膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。 我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。 実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-23T11:57:50Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)

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。