論文の概要: Progressive Deep Learning for Automated Spheno-Occipital Synchondrosis Maturation Assessment

• arxiv url: http://arxiv.org/abs/2604.10945v1
• Date: Mon, 13 Apr 2026 03:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.291109
• Title: Progressive Deep Learning for Automated Spheno-Occipital Synchondrosis Maturation Assessment
• Title（参考訳）: Spheno-Occipital Synchondrosis 成熟度自動評価のための進歩的深層学習
• Authors: Omid Halimi Milani, Amanda Nikho, Marouane Tliba, Lauren Mills, Emadeldeen Hamdan, Ahmet Enis Cetin, Mohammed H. Elnagar,
• Abstract要約: 頭蓋顔面成長評価のためのプログレッシブ表現学習フレームワークを提案する。 フル容量のネットワークをエンドツーエンドにトレーニングするのではなく、時間とともにより深いブロックを活性化することでモデルを逐次成長させます。 実験により、このエキスパートにインスパイアされたトレーニング戦略は、標準トレーニングよりも安定した最適化と一貫した精度を生み出すことが示された。
• 参考スコア（独自算出の注目度）: 4.639231555600351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate assessment of spheno-occipital synchondrosis (SOS) maturation is a key indicator of craniofacial growth and a critical determinant for orthodontic and surgical timing. However, SOS staging from cone-beam CT (CBCT) relies on subtle, continuously evolving morphological cues, leading to high inter-observer variability and poor reproducibility, especially at transitional fusion stages. We frame SOS assessment as a fine-grained visual recognition problem and propose a progressive representation-learning framework that explicitly mirrors how expert clinicians reason about synchondral fusion: from coarse anatomical structure to increasingly subtle patterns of closure. Rather than training a full-capacity network end-to-end, we sequentially grow the model by activating deeper blocks over time, allowing early layers to first encode stable cranial base morphology before higher-level layers specialize in discriminating adjacent maturation stages. This yields a curriculum over network depth that aligns deep feature learning with the biological continuum of SOS fusion. Extensive experiments across convolutional and transformer-based architectures show that this expert-inspired training strategy produces more stable optimization and consistently higher accuracy than standard training, particularly for ambiguous intermediate stages. Importantly, these gains are achieved without changing network architectures or loss functions, demonstrating that training dynamics alone can substantially improve anatomical representation learning. The proposed framework establishes a principled link between expert dental intuition and deep visual representations, enabling robust, data-efficient SOS staging from CBCT and offering a general strategy for modeling other continuous biological processes in medical imaging.
• Abstract（参考訳）: SOS成熟の正確な評価は頭蓋顔面の成長の重要な指標であり,矯正および外科的タイミングに重要な決定因子である。 しかし、コーンビームCT(CBCT)からのSOSのステージングは微妙で連続的に進化する形態的手がかりに依存しており、特に遷移融合期において、サーバ間の変動と再現性が低い。 我々は,SOSアセスメントをきめ細かな視覚認識問題として捉え,専門医がどのようにシンクロホンダル融合を理由づけるかを反映した,プログレッシブな表現学習フレームワークを提案する。 フル容量ネットワークをエンド・ツー・エンドにトレーニングする代わりに、より深いブロックを時間とともに活性化することでモデルを逐次成長させ、初期層が隣接する成熟段階の識別に特化する前に、安定な頭蓋基底形態を最初にエンコードすることを可能にする。 これにより、深い特徴学習をSOS融合の生物学的連続体と整合させるネットワーク深度に関するカリキュラムが得られる。 畳み込み型および変圧器型アーキテクチャによる大規模な実験により、この専門家にインスパイアされたトレーニング戦略は、標準的なトレーニング、特にあいまいな中間段階において、より安定した最適化と一貫した精度を生み出すことが示されている。 重要なのは、これらの成果はネットワークアーキテクチャや損失関数を変更することなく達成され、力学のトレーニングだけで解剖学的な表現学習を大幅に改善できることである。 提案フレームワークは,専門的歯科的直観と深部視覚的表現の原則的リンクを確立し,CBCTからの堅牢でデータ効率の高いSOSステージングを可能にし,医用画像における他の連続的生物学的プロセスのモデリングのための一般的な戦略を提供する。

関連論文リスト

• BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
  BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
  論文  参考訳（メタデータ） (2026-01-12T08:37:47Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• Knowledge Distillation Approach for SOS Fusion Staging: Towards Fully Automated Skeletal Maturity Assessment [1.0208529247755187]
  本稿では,SOS(spheno-occipital synchondrosis)核融合の自動ステージングのための新しいディープラーニングフレームワークを提案する。 本フレームワークは診断精度が向上し,臨床的に実現可能なエンド・ツー・エンド・パイプラインが完成する。
  論文  参考訳（メタデータ） (2025-05-27T02:01:45Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
  ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。 臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
  論文  参考訳（メタデータ） (2022-10-06T23:50:38Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。