論文の概要: Reliability- and Anatomy-Consistency-Aware Multimodal Learning for Robust Fracture Classification from Bangladeshi Radiographs
- arxiv url: http://arxiv.org/abs/2608.21482v1
- Date: Fri, 21 Aug 2026 09:41:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.210596
- Title: Reliability- and Anatomy-Consistency-Aware Multimodal Learning for Robust Fracture Classification from Bangladeshi Radiographs
- Title（参考訳）: バングラデシュのラジオグラフィーからのロバスト破砕分類のための信頼性・解剖的整合性を考慮したマルチモーダル学習
- Abstract要約: バングラデシュのOrthoFrac-XRデータセットから得られた1493個のX線写真について検討した。
階層的残留核融合は0.6046 +/- 0.0279のマクロF1を達成し、画像のみの学習では0.5727 +/- 0.0270のマクロF1を達成した。
解剖学的一貫性ゲートは、画像側解剖学的予測が報告された骨タイプと一致しない場合にメタデータの補正を減衰させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Multimodal fracture classifiers may benefit from patient and anatomical metadata, but they can also become brittle when contextual information is missing or mismatched. Methods: We studied 1493 radiographs from the Bangladeshi OrthoFrac-XR dataset using leakage-safe age, sex, bone type, and laterality. A ConvNeXt image encoder was combined with a clinical multilayer perceptron through concatenation, late fusion, reliability-gated residual fusion, and a hierarchical state-location formulation. We additionally introduced an anatomy-consistency gate that attenuates metadata corrections when an image-side anatomical prediction disagrees with the reported bone type. Results: Across five folds and three seeds, hierarchical residual fusion achieved a macro-F1 of 0.6046 +/- 0.0279, compared with 0.5727 +/- 0.0270 for image-only learning, while improving the Brier score from 0.5239 to 0.4948. In a five-fold robustness experiment, anatomy-consistency fusion reduced the macro-F1 loss under shuffled metadata from 0.0567 to 0.0203 relative to ordinary residual fusion, although its clean-data macro-F1 was lower. Without bone type at inference, auxiliary anatomy supervision improved macro-F1 from 0.5620 +/- 0.0330 to 0.5899 +/- 0.0289. Conclusions: Structured context improves fracture classification, and consistency-aware gating limits harm from mismatched metadata. The observed clean-performance-robustness trade-off and the absence of patient-level identifiers motivate external and prospective validation.
- Abstract（参考訳）: 背景: マルチモーダル骨折分類器は, 患者や解剖学的メタデータの恩恵を受けるが, 文脈情報が欠落したりミスマッチしたりすると脆くなることもある。
方法: バングラデシュのOrthoFrac-XRデータセットから得られた1493個のX線写真について, 漏洩防止年代, 性別, 骨タイプ, 側方性を用いて検討した。
ConvNeXt画像エンコーダと臨床多層膜パーセプトロンを結合,後期核融合,信頼性付加残差核融合,階層的状態位置定式化により組み合わせた。
また,画像側の解剖学的予測が報告された骨型と一致しない場合,メタデータの補正を緩和する解剖整合ゲートも導入した。
結果: 画像のみの学習では0.5727+/-0.0270に対して, 階層的残留核融合は0.6046+/-0.0279のマクロF1を達成し, ブライアスコアは0.5239から0.4948に改善した。
5倍強靭性実験では, クリーンデータマクロF1は低かったが, シャッフルメタデータ下でのマクロF1の損失は, 通常の残留核融合と比較して0.0567から0.0203に減少した。
骨型の推測がなければ、補助解剖監督はマクロF1を 0.5620 +/- 0.0330 から 0.5899 +/- 0.0289 に改善した。
結論: 構造化されたコンテキストは、骨折の分類を改善し、整合性を考慮したゲーティング制限は、ミスマッチしたメタデータに害を与える。
観察されたクリーン・パフォーマンス・ロバスト性トレードオフと患者レベルの識別子の欠如は、外部および将来的な検証を動機づける。
関連論文リスト
- A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology [0.0]
MagViTは、スケールゲート融合と患者レベルのモデル選択を備えた、解釈可能な多機能トランスフォーマーフレームワークである。
BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。
論文 参考訳（メタデータ） (2026-08-16T18:20:40Z) - Phenotyping TPF via Self-Supervised Learning: A Label-Agnostic Framework with Expert Validation [2.201241345037463]
我々は、観測者指定のラベルなしで、画像データから直接フラクチャー表現を学習するためのラベルに依存しないフレームワークを設計、実装、検証する。
RadImageNet-pretrained ResNet-50 encoderは154個の膝X線写真に微調整されている。
ラベルに依存しないSSL表現は,従来の分類を再現し,臨床的に解釈可能な補完であることを示す。
論文 参考訳（メタデータ） (2026-06-15T21:04:31Z) - Template Collapse and Information-Theoretic Limits in Camera rPPG Pulse Morphology Restoration [0.0]
コンシューマー・フェイスカメラ リモート・フォトプレティス幻覚(r)は、受動的心血管モニタリングを可能にする。
しかし、動脈硬化度をコードする単一サイクル波形形態が、この測定から回復可能であるか否かは明らかになっていない。
16のエンコーダアーキテクチャを3つのデータセットで評価した。
論文 参考訳（メタデータ） (2026-06-02T15:50:07Z) - MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift [0.0]
統合学習は、患者データを共有することなく、病院がセグメンテーションモデルを協調的に訓練することを可能にする。
現在の評価プロトコルでは、クライアント間での平均的なパフォーマンスのみを報告し、個々のサイトの障害をマスキングしている。
MedFL-Stress(リンク)は、この障害モードを正確に公開する、制御されたストレステストフレームワークである。
論文 参考訳（メタデータ） (2026-05-09T16:04:54Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study [11.316541559874864]
本研究は,CT-to-X-rayアーキテクチャではなく,正確なタスク定義,障害モード,ランキング不安定性,将来的なCT-to-X-ray転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。
論文 参考訳（メタデータ） (2026-03-31T02:25:33Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - 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) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。