論文の概要: Role of Edge Device and Cloud Machine Learning in Point-of-Care
Solutions Using Imaging Diagnostics for Population Screening
- arxiv url: http://arxiv.org/abs/2006.13808v1
- Date: Thu, 18 Jun 2020 08:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 14:40:01.823961
- Title: Role of Edge Device and Cloud Machine Learning in Point-of-Care
Solutions Using Imaging Diagnostics for Population Screening
- Title（参考訳）: 画像診断による個体検診におけるエッジデバイスとクラウド機械学習の役割
- Authors: Amit Kharat, Vinay Duddalwar, Krishna Saoji, Ashrika Gaikwad, Viraj
Kulkarni, Gunjan Naik, Rohit Lokwani, Swaraj Kasliwal, Sudeep Kondal, Tanveer
Gupte, Aniruddha Pant
- Abstract要約: エッジデバイス学習はマンモグラフィやCT研究にも利用でき、微小石灰化や脳卒中を識別できる。
これらのツールは即時で、専門家が実際にレビューする前に事前スクリーニングを行うことができない遠隔地に配置され、ナノ学習データセンターがデバイスの横に配置されているため、インターネットの帯域幅に制限されない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge devices are revolutionizing diagnostics. Edge devices can reside within
or adjacent to imaging tools such as digital Xray, CT, MRI, or ultrasound
equipment. These devices are either CPUs or GPUs with advanced processing deep
and machine learning (artificial intelligence) algorithms that assist in
classification and triage solutions to flag studies as either normal or
abnormal, TB or healthy (in case of TB screening), suspected COVID-19/other
pneumonia or unremarkable (in hospital or hotspot settings). These can be
deployed as screening point-of-care (PoC) solutions; this is particularly true
for digital and portable X-ray devices. Edge device learning can also be used
for mammography and CT studies where it can identify microcalcification and
stroke, respectively. These solutions can be considered the first line of
pre-screening before the imaging specialist actually reviews scans and makes a
final diagnosis. The key advantage of these tools is that they are instant, can
be deployed remotely where experts are not available to perform pre-screening
before the experts actually review, and are not limited by internet bandwidth
as the nano learning data centers are placed next to the device.
- Abstract（参考訳）: エッジデバイスは診断に革命をもたらしている。
エッジデバイスは、デジタルX線、CT、MRI、超音波装置などの画像ツール内または隣接して配置することができる。
これらのデバイスは、高度な処理深度と機械学習(人工知能)アルゴリズムを備えたCPUまたはGPUで、正常または異常なTBまたは健康な(TBスクリーニングの場合)、COVID-19/その他の肺炎と疑われる(病院やホットスポット設定の場合)、フラグ研究の分類とトリアージソリューションを支援する。
これらはPoC(point-of-care)ソリューションのスクリーニングとしてデプロイすることができる。
エッジデバイス学習は、それぞれ微小石灰化と脳卒中を識別できるマンモグラフィとCTの研究にも利用できる。
これらのソリューションは、画像スペシャリストが実際にスキャンをレビューし、最終的な診断を行う前に、事前スクリーニングの最初のラインと見なすことができる。
これらのツールの重要な利点は、専門家が実際にレビューする前にプレスクリーンを行うことができないリモートでデプロイでき、デバイスの横にナノラーニングデータセンターが置かれているため、インターネット帯域幅に制限されないことだ。
関連論文リスト
- Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。
このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
論文 参考訳（メタデータ） (2023-12-19T13:14:52Z) - Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳（メタデータ） (2023-12-11T02:27:45Z) - Brain MRI Screening Tool with Federated Learning [0.5868209939215737]
臨床では、重篤な症例であっても、MRIスキャンと放射線科医による診断の間に大きな遅延が見られることが多い。
これは、追加情報を補う自動ソフトウェアツールがあれば回避でき、特定の患者が重篤なケースである可能性があると放射線科医に警告する。
我々は,脳MRI自動スクリーニングツールを提示し,腫瘍様の病態を検出する能力を実証している。
論文 参考訳（メタデータ） (2023-11-23T16:24:26Z) - BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。
医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。
医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
論文 参考訳（メタデータ） (2023-06-20T20:23:46Z) - Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。
CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
論文 参考訳（メタデータ） (2023-06-03T09:05:35Z) - Multi-Label Chest X-Ray Classification via Deep Learning [0.0]
本研究の目的は,X線画像から14種類の胸部状態を検出する軽量なソリューションを開発することである。
画像機能に加えて、X線ビュータイプ、年齢、性別などのデータで利用可能な非画像機能も使用します。
本研究の目的は, これまでの研究を改良し, 予測を14疾患に拡張し, 将来の胸部X線撮影研究への洞察を提供することである。
論文 参考訳（メタデータ） (2022-11-27T20:27:55Z) - Computer Vision on X-ray Data in Industrial Production and Security
Applications: A survey [89.45221564651145]
本稿では,コンピュータビジョンと機械学習を用いた産業生産およびセキュリティアプリケーションにおけるX線分析に関する最近の研究をレビューする。
公開されているデータセット上でのアプリケーション、テクニック、評価メトリクス、データセット、それらのテクニックのパフォーマンス比較をカバーしている。
論文 参考訳（メタデータ） (2022-11-10T13:37:36Z) - 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) - 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) - Fused Deep Convolutional Neural Network for Precision Diagnosis of
COVID-19 Using Chest X-Ray Images [0.0]
複数のニューラルネットワークを微調整することで、新型コロナウイルスと正常者の胸部X線スキャンを正確に分類するコンピュータ支援診断(CAD)を提案する。
k倍のクロスバリデーションとベージングアンサンブルを用いることで、99.7%の精度と100%の感度が得られる。
論文 参考訳（メタデータ） (2020-09-15T02:27:20Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。