論文の概要: Be Indiscrete: The Benefits of Learning Continuous Spine Degeneration Severity Scores

• arxiv url: http://arxiv.org/abs/2607.05090v1
• Date: Mon, 06 Jul 2026 13:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.167045
• Title: Be Indiscrete: The Benefits of Learning Continuous Spine Degeneration Severity Scores
• Title（参考訳）: Be Indiscrete: 持続性脊椎変性重症度を学習するメリット
• Abstract要約: SpineRankNetは、腰椎MRIからスカラー重症度スコアを学習するフレームワークである。 連続的なスコアを生成するためにランキング損失を用いて訓練されたモデルがMRIスキャンのきめ細かい順序付けを可能にすることを示す。 ランク付けによって得られるスコアは、より遠いクラス間の差別も改善する。
• 参考スコア（独自算出の注目度）: 39.3098730337656
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lumbar spine degeneration is a major contributor to chronic low back pain and is routinely assessed on MRI using ordinal grading systems, e.g. normal, mild, moderate, severe. Consequently, most approaches to train models to grade these MRIs formulate grading as a multi-class classification problem, treating ordinal grades as categorical, ignoring differences in misclassification severity, and imposing hard decision boundaries on a continuous disease process. This work explores modeling spinal degeneration as a continuous severity ranking problem. We introduce SpineRankNet, a framework that learns scalar severity scores from lumbar spinal MRI, and compare it against multi-class classification and ordinal regression. Using multiple degeneration measures from the Genodisc dataset, we show that a model trained using a ranking loss to produce a continuous score enables fine-grained ordering of MRI scans. Furthermore, the ordinal grading classes can be recovered from the score with comparable accuracy to those from a model trained directly for classification. The score learned by ranking even improves discrimination between more distant classes. Source code is available at https://github.com/spinetools/spineranknet.
• Abstract（参考訳）: 腰部変性は慢性腰痛の主要な要因であり, 正常, 軽度, 軽度, 重度など, 経時的にMRIで評価される。 その結果、これらのMRIの階調を多クラス分類問題として定式化し、序列グレードをカテゴリー分類として扱い、誤分類の重大さの違いを無視し、連続的な疾患プロセスに厳しい決定境界を課す。 本研究は、脊髄変性を連続重度ランキング問題としてモデル化する。 SpineRankNetは、腰椎MRIからスカラー重症度スコアを学習するフレームワークであり、マルチクラス分類と順序回帰と比較する。 Genodiscデータセットからの複数の退縮測定を用いて、連続的なスコアを生成するためにランキング損失を用いて訓練されたモデルが、MRIスキャンのきめ細かい順序付けを可能にすることを示す。 さらに、順序付けクラスは、分類のために直接訓練されたモデルと同等の精度でスコアから復元することができる。 ランク付けによって得られるスコアは、より遠いクラス間の差別も改善する。 ソースコードはhttps://github.com/spinetools/spineranknet.comで入手できる。

関連論文リスト

• DMDSC: A Dynamic-Margin Deep Simplex Classifier for Open-Set Recognition on Medical Image Datasets [1.6076071340549412]
  医用画像データセットは、しばしば極端な階級的不均衡によって特徴づけられる。 この不均衡は、オープンセット認識(OSR: Open-Set Recognition)において二重の課題となり、モデルは、臨床環境での見知らぬトレーニングにおいて、未知のサンプルを確実に拒否しながら、既知のクラスにおける高い分類精度を維持する必要がある。 本稿では, ダイナミック・マージン・アプローチを特徴とする拡張フレームワークを提案する。本手法では, 周波数に基づいてクラス固有のマージンを自動的に適応し, 高いペナルティとより厳格な特徴クラスタリングを行うことで, データの不均衡を解消する。
  論文  参考訳（メタデータ） (2026-05-01T13:57:41Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• CLOC: Contrastive Learning for Ordinal Classification with Multi-Margin N-pair Loss [8.202961373604719]
  序列分類では、近隣の階級の誤分類は一般的であるが、これらの誤りの結果は同じではない。 順序分類のための新しいマージンベースコントラスト学習法であるCLOCを提案する。 CLOCは、新しいマルチマージンnペア損失による多重マージンの最適化に基づいて順序付き表現を学習する。
  論文  参考訳（メタデータ） (2025-04-22T22:23:30Z)
• Automatic hip osteoarthritis grading with uncertainty estimation from computed tomography using digitally-reconstructed radiographs [5.910133714106733]
  変形性股関節症(Hip OA)の重症度はCroweおよびKellgren-Lawrence分類を用いて分類されることが多い。 ディープ・ラーニング・モデルは2つのグレーティング・スキームを用いて病気の成績を予測するために訓練された。 モデルの精度は約0.65(ECA)と0.95(ONCA)である。
  論文  参考訳（メタデータ） (2023-12-30T07:28:56Z)
• A generalized framework to predict continuous scores from medical ordinal labels [7.24111517701999]
  モデル開発中に個別の順序ラベルのみを用いて連続的な値付き変数を正確に予測するフレームワークを提案する。 その結果, 3つの臨床予測課題において, トレーニングラベルの順序関係を考慮したモデルが, 従来のマルチクラス分類モデルよりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-05-30T15:00:49Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Learning Discriminative Representations for Fine-Grained Diabetic Retinopathy Grading [6.129288755571804]
  糖尿病網膜症は視覚障害の主要な原因の1つである。 病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
  論文  参考訳（メタデータ） (2020-11-04T04:16:55Z)
• 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)

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。