Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading

要約

脊椎骨折は骨粗鬆症の結果であり、罹患した患者の健康に重大な影響を及ぼします。
残念ながら、CT 検査を使用して重症度を評価することは困難で主観的であり、自動化された評価方法の動機となっています。
ただし、現在のアプローチは、データの不均衡と不足、および解釈可能性の欠如によって妨げられています。
これらの課題に対処するために、このホワイト ペーパーでは、ラベル付けされていないデータを活用して生成型拡散オートエンコーダー (DAE) モデルを教師なし特徴抽出器としてトレーニングする新しいアプローチを提案します。
フラクチャ グレーディングを連続回帰としてモデル化します。これは、フラクチャのスムーズな進行をより反映しています。
具体的には、DAE の潜在空間に超平面を構築するために、バイナリの教師付きフラクチャ分類器を使用します。
次に、この超平面までの距離の関数として骨折の重症度を回帰させ、結果を Genant スケールに較正します。
重要なことは、私たちの方法の生成的な性質により、特定の椎骨のさまざまなグレードを視覚化し、解釈可能性と自動グレーディングに寄与する機能への洞察を提供することができます。

要約(オリジナル)

Vertebral fractures are a consequence of osteoporosis, with significant health implications for affected patients. Unfortunately, grading their severity using CT exams is hard and subjective, motivating automated grading methods. However, current approaches are hindered by imbalance and scarcity of data and a lack of interpretability. To address these challenges, this paper proposes a novel approach that leverages unlabelled data to train a generative Diffusion Autoencoder (DAE) model as an unsupervised feature extractor. We model fracture grading as a continuous regression, which is more reflective of the smooth progression of fractures. Specifically, we use a binary, supervised fracture classifier to construct a hyperplane in the DAE’s latent space. We then regress the severity of the fracture as a function of the distance to this hyperplane, calibrating the results to the Genant scale. Importantly, the generative nature of our method allows us to visualize different grades of a given vertebra, providing interpretability and insight into the features that contribute to automated grading.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google