Fugu-MT 論文翻訳(概要): Weakly Supervised Context Encoder using DICOM metadata in Ultrasound Imaging

論文の概要: Weakly Supervised Context Encoder using DICOM metadata in Ultrasound Imaging

arxiv url: http://arxiv.org/abs/2003.09070v1
Date: Fri, 20 Mar 2020 02:17:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 23:02:24.265817
Title: Weakly Supervised Context Encoder using DICOM metadata in Ultrasound Imaging
Title（参考訳）: 超音波イメージングにおけるDICOMメタデータを用いた弱補正コンテキストエンコーダ
Authors: Szu-Yeu Hu, Shuhang Wang, Wei-Hung Weng, JingChao Wang, XiaoHong Wang, Arinc Ozturk, Qian Li, Viksit Kumar, Anthony E. Samir
Abstract要約: 超音波画像からのDICOMメタデータを利用して、超音波画像の表現を学習する。提案手法は,ダウンストリームタスク間の非メタッタ方式よりも優れていることを示す。
参考スコア（独自算出の注目度）: 7.370841471918351
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern deep learning algorithms geared towards clinical adaption rely on a significant amount of high fidelity labeled data. Low-resource settings pose challenges like acquiring high fidelity data and becomes the bottleneck for developing artificial intelligence applications. Ultrasound images, stored in Digital Imaging and Communication in Medicine (DICOM) format, have additional metadata data corresponding to ultrasound image parameters and medical exams. In this work, we leverage DICOM metadata from ultrasound images to help learn representations of the ultrasound image. We demonstrate that the proposed method outperforms the non-metadata based approaches across different downstream tasks.
Abstract（参考訳）: 臨床適応を目指した現代のディープラーニングアルゴリズムは、大量の高忠実度ラベル付きデータに依存している。低リソース設定は、高忠実度データを取得し、人工知能アプリケーションの開発におけるボトルネックとなるような課題を引き起こす。超音波画像は、Digital Imaging and Communication in Medicine (DICOM)形式で保存され、超音波画像パラメータと医療検査に対応する追加メタデータデータを有する。本研究では,超音波画像からのdicomメタデータを活用し,超音波画像の表現を学習する。提案手法は,下流タスク間の非メタッタ方式よりも優れていることを示す。

関連論文リスト

S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography [2.07180164747172]
我々はS-CycleGANと呼ばれる高度なディープラーニングモデルを導入し,CTデータから高品質な合成超音波画像を生成する。合成画像を用いて,ロボット支援超音波スキャンシステムの開発の諸側面を解明する。
論文参考訳（メタデータ） (2024-06-03T10:53:45Z)
Automatic classification of prostate MR series type using image content and metadata [1.0959281779554237]
画像データとDICOMメタデータを組み合わせて前立腺癌スキャンシーケンスを分類する深層学習手法を提案する。メタデータや画像データだけで比較すると,優れた結果が得られます。
論文参考訳（メタデータ） (2024-04-16T20:30:16Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文参考訳（メタデータ） (2023-11-18T14:52:26Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文参考訳（メタデータ） (2021-10-12T21:22:24Z)
Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文参考訳（メタデータ） (2021-09-23T15:15:21Z)
Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
光音響イメージングは医療に革命をもたらす可能性がある。この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2021-05-20T09:33:55Z)
Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
論文参考訳（メタデータ） (2021-01-31T11:11:24Z)
Deep data compression for approximate ultrasonic image formation [1.0266286487433585]
超音波イメージングシステムでは、別のコンピュータ装置でデータ取得と画像形成を行う。ディープニューラルネットワークは、特定の画像形成方法の画質を維持するために最適化されている。
論文参考訳（メタデータ） (2020-09-04T16:43:12Z)

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。