論文の概要: Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels
- arxiv url: http://arxiv.org/abs/2605.00718v1
- Date: Fri, 01 May 2026 15:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.991983
- Title: Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels
- Title（参考訳）: 難治性膝関節症に対する人工骨頭置換術の成績
- Authors: Tongxu Zhang,
- Abstract要約: 変形性膝関節症 (OA) の評価には, 粗い2進度OA判定と細粒度Kelgren-Lawrence(KL)重症度が関与する。
本稿では,階層的監督の探究として,共有エンコーダと2つのタスク固有ヘッドを備えた,意図的に単純な二重ヘッドモデルを提案する。
以上の結果より, 両頭部管理は背骨依存性の利得を生じ, KL関連指標の改善が認められた。
- 参考スコア（独自算出の注目度）: 0.2538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knee osteoarthritis (OA) assessment involves a natural but often underused label hierarchy: a coarse binary OA decision and a fine-grained Kellgren--Lawrence (KL) severity grade. Existing deep learning studies commonly treat these targets as separate classification problems, either reducing OA assessment to disease presence or directly optimizing noisy ordinal KL labels. In this work, we ask whether this clinical hierarchy can serve as a representation-level supervisory prior. Rather than introducing a complex architecture, we use a deliberately simple dual-head model with a shared encoder and two task-specific heads as a probe of hierarchical supervision. We compare single-OA, single-KL, and dual-head training across multiple 3D backbones under the same test protocol. Beyond standard classification metrics, we perform paired statistical comparisons, analyze latent severity-axis geometry, and examine saliency overlap with cartilage regions. The results show that dual-head supervision produces backbone-dependent gains, with clear improvements in KL-related metrics for selected backbones. More importantly, the gains are accompanied by a more ordered coarse-to-fine latent organization and, for responsive backbones, stronger anatomical alignment of saliency with cartilage. These findings suggest that even simple hierarchical dual-head supervision can reshape disease representations under noisy coarse/fine labels, providing a useful inductive bias for OA diagnosis and severity grading.
- Abstract（参考訳）: 変形性膝関節症(OA)の評価には、粗い二分体OA判定ときめ細かいKelgren--Lawrence(KL)重度グレード(重度)がある。
既存のディープラーニング研究は、これらのターゲットを、病気の有無に対するOA評価を減らしたり、ノイズの多い順序付きKLラベルを直接最適化したり、別個の分類問題として扱うのが一般的である。
本研究は,この臨床階層が事前に表現レベルの監督機能として機能するかどうかを問うものである。
複雑なアーキテクチャを導入するのではなく、共有エンコーダと2つのタスク固有のヘッドを備えた、意図的に単純な二重ヘッドモデルを用いて階層的な監視を行う。
我々は、同じテストプロトコルの下で、複数の3DバックボーンにわたるシングルOA、シングルKL、デュアルヘッドトレーニングを比較した。
標準分類指標の他に、ペア統計比較を行い、潜伏重度軸の幾何を分析し、軟骨領域と塩分濃度の重なりについて検討する。
以上の結果から, 両頭部監視は背骨依存性の利得を生じさせ, 選択した背骨に対するKL関連指標の明確な改善が認められた。
さらに重要なのは、より秩序づけられた粗い潜伏組織と、レスポンシブなバックボーンにより、より強い唾液の解剖学的アライメントが伴うことである。
以上の結果から, 単純階層的二重頭部監督さえも, ノイズの多い粗いラベルや微細なラベルで疾患の表現を再構築し, OA 診断や重症度評価に有用な誘導バイアスを与える可能性が示唆された。
関連論文リスト
- H-SemiS: Hierarchical Fusion of Semi and Self-Supervised Learning for Knee Osteoarthritis Severity Grading [2.9909120539879797]
膝関節症 (KOA) は変形性関節疾患であり、慢性的な痛み、移動性低下、長期障害を引き起こす。
現在の手法は大きなラベル付きデータセットに大きく依存しており、クラス不均衡、ノイズサンプル、臨床アノテーションの多様性に敏感である。
膝X線検査におけるKOA重症度評価のための半監督フレームワークと自己スーパービジョン(H-SemiS)の階層融合を提案する。
論文 参考訳（メタデータ） (2026-04-25T14:43:30Z) - Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging [0.0]
本稿では,ラベルツリーを第一級学習信号とし,評価対象とする階層保存型コントラストフレームワークを提案する。
提案手法では,共有祖先による正負の対の強みを拡大する階層重みコントラスト (HWC) と,レベル・アウェア・マージン (LAM) の2つのプラグイン目標を導入する。
論文 参考訳（メタデータ） (2025-11-05T18:53:25Z) - 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) - An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data [0.30723404270319693]
本研究は膝OAの自動連続グルーピングのための3段階的アプローチを提案する。
正常度の中心までの距離に基づいて、健康な膝X線の堅牢な表現と疾患の重症度を学ぶ。
提案手法は,OA検出率において最大24%のマージンで既存の技術よりも優れており,疾患重症度スコアはKellgren-Lawrenceグレーティングシステムと人間専門家の成績と同等のレベルで相関している。
論文 参考訳（メタデータ） (2024-07-16T08:37:33Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - 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) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z)
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。