Fugu-MT 論文翻訳(概要): A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images

論文の概要: A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images

arxiv url: http://arxiv.org/abs/2004.07965v4
Date: Wed, 5 Aug 2020 04:55:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 21:28:17.723875
Title: A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images
Title（参考訳）: リアルタイム放射線画像に対する機械学習パイプラインのためのDICOMフレームワーク
Authors: Pradeeban Kathiravelu, Puneet Sharma, Ashish Sharma, Imon Banerjee, Hari Trivedi, Saptarshi Purkayastha, Priyanshu Sinha, Alexandre Cadrin-Chenevert, Nabile Safdar, Judy Wawira Gichoya
Abstract要約: Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
参考スコア（独自算出の注目度）: 50.222197963803644
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Executing machine learning (ML) pipelines in real-time on radiology images is hard due to the limited computing resources in clinical environments and the lack of efficient data transfer capabilities to run them on research clusters. We propose Niffler, an integrated framework that enables the execution of ML pipelines at research clusters by efficiently querying and retrieving radiology images from the Picture Archiving and Communication Systems (PACS) of the hospitals. Niffler uses the Digital Imaging and Communications in Medicine (DICOM) protocol to fetch and store imaging data and provides metadata extraction capabilities and Application programming interfaces (APIs) to apply filters on the images. Niffler further enables the sharing of the outcomes from the ML pipelines in a de-identified manner. Niffler has been running stable for more than 19 months and has supported several research projects at the department. In this paper, we present its architecture and three of its use cases: an inferior vena cava (IVC) filter detection from the images in real-time, identification of scanner utilization, and scanner clock calibration. Evaluations on the Niffler prototype highlight its feasibility and efficiency in facilitating the ML pipelines on the images and metadata in real-time and retrospectively.
Abstract（参考訳）: 臨床環境における限られたコンピューティングリソースと、研究クラスタ上で実行するための効率的なデータ転送能力の欠如のために、放射線画像上でリアルタイムに機械学習(ML)パイプラインを実行することは難しい。病院の画像アーカイブ通信システム(PACS)からの放射線画像の検索と検索を効率的に行うことにより,研究クラスタでのMLパイプラインの実行を可能にする統合フレームワークであるNifflerを提案する。 nifflerはdicom(digital imaging and communications in medicine)プロトコルを使用して画像データのフェッチと保存を行い、画像にフィルタを適用するためのメタデータ抽出機能とアプリケーションプログラミングインターフェース(api)を提供する。さらにNifflerは、識別されていない方法でMLパイプラインの結果の共有を可能にする。 nifflerは19ヶ月以上安定しており、いくつかの研究プロジェクトをサポートしている。本稿では,下大静脈フィルター(IVC)による画像のリアルタイム検出,スキャナ利用の同定,スキャナクロックの校正の3つのユースケースについて述べる。 Nifflerプロトタイプの評価では、リアルタイムと振り返りでイメージとメタデータ上のMLパイプラインの実現性と効率性を強調している。

関連論文リスト

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)
Let's Roll: Synthetic Dataset Analysis for Pedestrian Detection Across Different Shutter Types [7.0441427250832644]
本稿では,機械学習(ML)オブジェクト検出モデルに異なるシャッター機構が与える影響について検討する。特に、合成合成されたGSとRSのデータセットを用いて、主流検出モデルを訓練し、評価する。
論文参考訳（メタデータ） (2023-09-15T04:07:42Z)
AI-assisted Automated Workflow for Real-time X-ray Ptychography Data Analysis via Federated Resources [2.682578132719034]
大規模リモートコンピューティングリソースと組込みGPUプラットフォームをエッジに使用して,X線写真のために収集したデータのAI/ML高速化リアルタイム解析を可能にする,エンドツーエンドの自動ワークフローを提案する。
論文参考訳（メタデータ） (2023-04-09T19:11:04Z)
Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文参考訳（メタデータ） (2023-03-30T18:20:00Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Pushing the Limits of Simple Pipelines for Few-Shot Learning: External Data and Fine-Tuning Make a Difference [74.80730361332711]
コンピュータビジョンにおいて、ほとんどショット学習は重要かつトピック的な問題である。単純なトランスフォーマーベースのパイプラインは、標準ベンチマークで驚くほど優れたパフォーマンスが得られることを示す。
論文参考訳（メタデータ） (2022-04-15T02:55:58Z)
CapillaryX: A Software Design Pattern for Analyzing Medical Images in Real-time using Deep Learning [0.688204255655161]
本稿では,医療画像のリアルタイム解析をローカルかつ並列に行うことができる計算アーキテクチャを提案する。我々は,微小循環画像中の血管の定量化という,特定の医学・工業ケーススタディに焦点を当てた。その結果,本システムはシリアルシステムに比べて約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であることがわかった。
論文参考訳（メタデータ） (2022-04-13T18:47:04Z)
Cross-Modality Sub-Image Retrieval using Contrastive Multimodal Image Representations [3.3754780158324564]
異なるモダリティによってキャプチャされた類似(または同じ)コンテンツのイメージは、共通の構造をほとんど共有しないため、モダリティ間の画像検索は困難である。本稿では,モダリティ間の逆(サブ)画像検索のためのアプリケーション非依存のコンテンツベース画像検索システムを提案する。
論文参考訳（メタデータ） (2022-01-10T19:04:28Z)
AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data [1.7237160821929758]
光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
論文参考訳（メタデータ） (2021-01-22T03:49:30Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)

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。