論文の概要: Ultrasound Video Summarization using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2005.09531v1
• Date: Tue, 19 May 2020 15:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:16:39.906014
• Title: Ultrasound Video Summarization using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いた超音波映像要約
• Authors: Tianrui Liu, Qingjie Meng, Athanasios Vlontzos, Jeremy Tan, Daniel Rueckert and Bernhard Kainz
• Abstract要約: 本稿では,医療用ビデオデータのニーズに合わせて,完全自動要約手法を提案する。 本手法は, 代替映像要約法よりも優れており, 臨床診断基準に要求される必須情報を保存できることが示唆された。
• 参考スコア（独自算出の注目度）: 12.320114045092291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video is an essential imaging modality for diagnostics, e.g. in ultrasound imaging, for endoscopy, or movement assessment. However, video hasn't received a lot of attention in the medical image analysis community. In the clinical practice, it is challenging to utilise raw diagnostic video data efficiently as video data takes a long time to process, annotate or audit. In this paper we introduce a novel, fully automatic video summarization method that is tailored to the needs of medical video data. Our approach is framed as reinforcement learning problem and produces agents focusing on the preservation of important diagnostic information. We evaluate our method on videos from fetal ultrasound screening, where commonly only a small amount of the recorded data is used diagnostically. We show that our method is superior to alternative video summarization methods and that it preserves essential information required by clinical diagnostic standards.
• Abstract（参考訳）: ビデオは診断、例えば超音波画像、内視鏡、運動評価において必須のイメージングモードである。 しかし、医療画像分析コミュニティではビデオはあまり注目されていない。 クリニカル・プラクティスでは,映像データの処理や注釈,監査に長時間を要するため,生の診断映像データを効率的に活用することが困難である。 本稿では,医療映像データのニーズに合わせた完全自動ビデオ要約手法を提案する。 本手法は強化学習問題であり,重要な診断情報の保存に焦点を当てたエージェントを生成する。 胎児超音波検診では, 記録されたデータのごく一部のみを診断的に用いることが一般的である。 本手法は, 代替ビデオ要約法よりも優れており, 臨床診断基準に必要な必須情報を保存できることを示す。

関連論文リスト

• YouTube Video Analytics for Patient Engagement: Evidence from Colonoscopy Preparation Videos [3.7941428390253193]
  本研究は,YouTubeビデオから医療情報を検索する手法を用いたデータ分析パイプラインを実証する。 まず、YouTube Data APIを使用して、検索キーワードの検索に望ましいビデオのメタデータを収集します。 次に、医療情報、ビデオの可視性、全体的なレコメンデーションについて、YouTubeのビデオ資料に注釈を付ける。
  論文  参考訳（メタデータ） (2024-10-01T19:38:46Z)
• Breast Ultrasound Report Generation using LangChain [58.07183284468881]
  本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。 本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
  論文  参考訳（メタデータ） (2023-12-05T00:28:26Z)
• Open video data sharing in developmental and behavioural science [1.9312167442699324]
  ビデオ記録は、幼児と子供の行動を記録するために広く使われている方法である。 大規模データセットの共有の必要性は依然として高まっている。 プライバシ保護ルールを遵守しながらデータを共有するには、データ識別の取り組みがデータの有用性を低下させるかどうかという重大な問題が発生する。
  論文  参考訳（メタデータ） (2022-07-22T11:47:47Z)
• Weakly-supervised High-fidelity Ultrasound Video Synthesis with Feature Decoupling [13.161739586288704]
  臨床実践において、分析と診断は、動的解剖情報を得るために単一の画像ではなくアメリカのシーケンスに依存することが多い。 患者からの適切なビデオで練習することは、臨床的には実践的ではないため、初心者には学ぶことが難しい。 我々は,高忠実度US動画を合成するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:53:22Z)
• A New Dataset and A Baseline Model for Breast Lesion Detection in Ultrasound Videos [43.42513012531214]
  乳房病変検出のための超音波ビデオデータセット(188ビデオ)をまず収集し,注釈する。 超音波映像における胸部病変検出のためのクリップレベル・ビデオレベルのアグリゲートネットワーク(CVA-Net)を提案する。
  論文  参考訳（メタデータ） (2022-07-01T01:37:50Z)
• 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)
• Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
  病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。 このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
  論文  参考訳（メタデータ） (2021-02-07T19:12:32Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)
• Self-supervised Representation Learning for Ultrasound Video [18.515314344284445]
  本稿では,医用画像から有意義かつ伝達可能な表現を学習するための自己教師型学習手法を提案する。 我々は、データ自体から自由に監視することで、解剖学的タスクに対処するようモデルに強制する。 胎児超音波ビデオ実験により,提案手法が有意義で強い表現を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-02-28T23:00:26Z)

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。