Fugu-MT 論文翻訳(概要): 3D Deep Learning on Medical Images: A Review

論文の概要: 3D Deep Learning on Medical Images: A Review

arxiv url: http://arxiv.org/abs/2004.00218v4
Date: Tue, 13 Oct 2020 08:38:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-17 18:37:09.218512
Title: 3D Deep Learning on Medical Images: A Review
Title（参考訳）: 医用画像を用いた3次元ディープラーニング
Authors: Satya P. Singh, Lipo Wang, Sukrit Gupta, Haveesh Goli, Parasuraman Padmanabhan and Bal\'azs Guly\'as
Abstract要約: 我々は3D CNNが機械学習のルーツからどのように開発されたかの歴史を辿った。本稿では,3次元CNNを用いた3次元医用画像解析の分野における重要な研究について概説する。
参考スコア（独自算出の注目度）: 0.691592786984092
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The rapid advancements in machine learning, graphics processing technologies and the availability of medical imaging data have led to a rapid increase in the use of deep learning models in the medical domain. This was exacerbated by the rapid advancements in convolutional neural network (CNN) based architectures, which were adopted by the medical imaging community to assist clinicians in disease diagnosis. Since the grand success of AlexNet in 2012, CNNs have been increasingly used in medical image analysis to improve the efficiency of human clinicians. In recent years, three-dimensional (3D) CNNs have been employed for the analysis of medical images. In this paper, we trace the history of how the 3D CNN was developed from its machine learning roots, we provide a brief mathematical description of 3D CNN and provide the preprocessing steps required for medical images before feeding them to 3D CNNs. We review the significant research in the field of 3D medical imaging analysis using 3D CNNs (and its variants) in different medical areas such as classification, segmentation, detection and localization. We conclude by discussing the challenges associated with the use of 3D CNNs in the medical imaging domain (and the use of deep learning models in general) and possible future trends in the field.
Abstract（参考訳）: 機械学習、グラフィックス処理技術、医用画像データの可用性の急速な向上により、医療領域におけるディープラーニングモデルの利用が急速に増加した。これは畳み込みニューラルネットワーク(cnn)ベースのアーキテクチャの急速な進歩によって悪化し、医療画像コミュニティが臨床医の病気診断を支援するために採用した。 2012年のalexnetの大成功以来、cnnは人間の臨床医の効率を改善するために医用画像分析にますます使われてきた。近年,医用画像の解析に三次元(3次元)cnnが用いられている。本稿では、3D CNNが機械学習のルーツからどのように開発されたかの歴史を辿り、3D CNNを数学的に記述し、3D CNNに供給する前に医療画像に必要な前処理ステップを提供する。分類,セグメンテーション,検出,局所化などの異なる医療領域における3次元CNN(およびその変異体)を用いた3次元医用画像解析の分野における重要な研究について概説する。医用画像領域における3d cnnの使用(およびディープラーニングモデル全般の利用)に関する課題と、この分野の今後の動向について考察した。

関連論文リスト

M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models [49.5030774873328]
これまでの研究は主に2Dの医療画像に焦点を合わせてきた。 120K画像テキスト対と62K命令応答対からなる大規模3次元マルチモーダル医療データセットM3D-Dataを提案する。また,新しい3次元マルチモーダル・メディカル・ベンチマークであるM3D-Benchを導入し,8つのタスクにまたがる自動評価を容易にする。
論文参考訳（メタデータ） (2024-03-31T06:55:12Z)
MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer Vision [119.29105800342779]
MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
論文参考訳（メタデータ） (2023-08-30T16:52:20Z)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
Efficient brain age prediction from 3D MRI volumes using 2D projections [0.0]
数個の2次元投影に2次元CNNを用いることで、脳の体積から年齢を予測する際に妥当な検査精度が得られることを示す。 20,324人の被験者による1つのトレーニングエポックは、1つのGPUで40から70秒かかり、小さな3D CNNの約100倍高速である。
論文参考訳（メタデータ） (2022-11-10T18:50:10Z)
Highly Accurate FMRI ADHD Classification using time distributed multi modal 3D CNNs [0.0]
本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。 3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
論文参考訳（メタデータ） (2022-05-24T11:39:11Z)
Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。画像を読んでいるときに、放射線科医の視線を記録します。視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
論文参考訳（メタデータ） (2022-04-06T08:31:05Z)
Medical Image Segmentation using 3D Convolutional Neural Networks: A Review [25.864941088823343]
コンピュータ支援医療画像解析は,専門医の専門的臨床診断を支援し,適切な治療計画を決定する上で重要な役割を担っている。現在、畳み込みニューラルネットワーク(CNN)が医療画像解析に好まれている。 3Dイメージングシステムの急速な進歩と優れたハードウェアとソフトウェアのサポートの可用性により、医用画像解析において3D深層学習法が人気を集めている。
論文参考訳（メタデータ） (2021-08-19T03:23:08Z)
Benchmarking CNN on 3D Anatomical Brain MRI: Architectures, Data Augmentation and Deep Ensemble Learning [2.1446056201053185]
我々は最近のSOTA(State-of-the-art)3D CNNの広範なベンチマークを提案し、データ拡張と深層アンサンブル学習の利点も評価した。年齢予測,性別分類,統合失調症診断の3つの課題について,N=10kスキャンを含む多地点の脳解剖学的MRIデータセットを用いて実験を行った。その結果,VBM画像の予測精度は擬似RAWデータよりも有意に向上した。 DenseNetとSmall-DenseNetは、私たちが提案したより軽量なバージョンで、すべてのデータレシエーションのパフォーマンスにおいて優れた妥協を提供する。
論文参考訳（メタデータ） (2021-06-02T13:00:35Z)
3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文参考訳（メタデータ） (2021-04-04T20:30:14Z)
Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study [3.072491397378425]
本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
論文参考訳（メタデータ） (2020-09-21T09:58:57Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。