Fugu-MT 論文翻訳(概要): GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

論文の概要: GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

arxiv url: http://arxiv.org/abs/2607.10357v1
Date: Sat, 11 Jul 2026 15:29:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 15:40:48.400251
Title: GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification
Title（参考訳）: GRC-ProbNet:心血管疾患分類における不確かさを意識した特徴抽出
Abstract要約: 本稿では,入力に対して複数のセグメンテーションマスクを生成するために,深いアンサンブルを利用するGRC-ProbNetを提案する。本稿では,これらの不確実性の特徴を,セグメント化誤差との相関と下流CVD分類性能に対する伝搬効果の両方について分析する。
参考スコア（独自算出の注目度）: 8.50760669468073
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The automatic detection and classification of cardiovascular disease (CVD) from computed tomography (CT) images plays an important role in clinical practice. Recently, a hybrid pipeline (GRC-Net) for CVD classification was proposed, which leverages a deep-learning-based segmentation and registration method to extract radiomic and geometric features. However, GRC-Net relies on a deterministic segmentation mask, without considering the inherent ambiguity associated with cardiac anatomy. In this paper, we propose GRC-ProbNet, which takes advantage of a deep ensemble to produce multiple segmentation masks for a given input. From these masks, we extract multiple uncertainty features. We analyze these uncertainty features for both their correlation with segmentation error and their propagation effects on downstream CVD classification performance. Our experiments on the publicly available MM-WHS and ASOCA datasets show that the uncertainty measure that best reflects segmentation quality is not necessarily the one that provides the strongest signal for downstream CVD classification. Overall, our results demonstrate that GRC-ProbNet utilizing uncertainty features substantially improves CVD classification AUROC (92.92\) compared to the baseline GRC-Net model (91.25%). Our code is publicly available: https://github.com/biomedia-mira/GRC-ProbNet.
Abstract（参考訳）: CT画像からの心血管疾患(CVD)の自動検出と分類は臨床実践において重要な役割を担っている。近年,放射線・幾何学的特徴を抽出するために,深層学習に基づくセグメンテーションと登録手法を活用したCVD分類用ハイブリッドパイプライン(GRC-Net)が提案されている。しかし、GRC-Netは、心解剖学に関連する固有の曖昧さを考慮せずに、決定論的セグメンテーションマスクに依存している。本稿では,深いアンサンブルを利用して与えられた入力に対して複数のセグメンテーションマスクを生成するGRC-ProbNetを提案する。これらのマスクから複数の不確実性特徴を抽出する。本稿では,これらの不確実性の特徴を,セグメント化誤差との相関と下流CVD分類性能に対する伝搬効果の両方について分析する。 MM-WHS と ASOCA のデータセットを用いた実験により, セグメンテーション品質を最もよく反映する不確実性尺度が, 下流CVD 分類において最強の信号を提供する指標であるとは限らないことが示された。その結果, GRC-ProbNet が不確実性を利用した場合, ベースライン GRC-Net モデル (91.25%) と比較して, CVD 分類 AUROC (92.92\) が大幅に向上することが示唆された。私たちのコードは、https://github.com/biomedia-mira/GRC-ProbNet.comで公開されています。

関連論文リスト

Cardiovascular disease classification using radiomics and geometric features from cardiac CT [14.254217534681997]
CVD分類パイプラインを, (i) 画像分割, (ii) 画像登録, (iii) 下流CVD分類の3つのコンポーネントに分割した。具体的には、Atlas-ISTNフレームワークと最近のセグメンテーション基礎モデルを用いて、解剖学的構造セグメンテーションと規範的健全なアトラスを生成する。 ASOCAデータセットを用いた実験により,これらの特徴を生CT画像を直接トレーニングした分類モデル(67.50%)と比較すると,CVD分類精度(87.50%)が向上することが示された。
論文参考訳（メタデータ） (2025-06-27T13:43:05Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
A region and category confidence-based multi-task network for carotid ultrasound image segmentation and classification [6.162577404860473]
超音波頸動脈プラーク分割と分類のためのマルチタスク学習フレームワーク(RCCM-Net)を提案する。このフレームワークは、領域信頼モジュール(RCM)とサンプルカテゴリ信頼モジュール(CCM)を使用して、これらの2つのタスク間の相関を利用する。提案手法は,既存のシングルタスクネットワークと比較してセグメンテーションと分類性能を両立させることができることを示す。
論文参考訳（メタデータ） (2023-07-02T14:43:59Z)
Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images [1.099532646524593]
本稿では、完全自動で心筋梗塞の程度を計算できる畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。心筋梗塞のセグメンテーションにおいて,我々の枠組みは最先端の基準法よりも優れていた。
論文参考訳（メタデータ） (2023-06-26T14:21:18Z)
Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文参考訳（メタデータ） (2023-03-19T23:45:32Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文参考訳（メタデータ） (2020-05-08T03:16:15Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。