論文の概要: TrueImage: A Machine Learning Algorithm to Improve the Quality of Telehealth Photos

• arxiv url: http://arxiv.org/abs/2010.02086v1
• Date: Thu, 1 Oct 2020 17:47:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:03:05.321841
• Title: TrueImage: A Machine Learning Algorithm to Improve the Quality of Telehealth Photos
• Title（参考訳）: trueimage: 遠隔医療写真の品質向上のための機械学習アルゴリズム
• Authors: Kailas Vodrahalli, Roxana Daneshjou, Roberto A Novoa, Albert Chiou, Justin M Ko, and James Zou
• Abstract要約: 写真の品質が特に重要であるテレダーマトロジーに焦点をあてる。 遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。 これらの画像はしばしば、臨床写真撮影の経験がない患者のために、臨床診断を行うには不十分な品質であることが多い。 画像評価機械学習パイプラインTrueImageを提案し, 画質の悪い皮膚画像を検出し, 患者により良い写真撮影を指導する。
• 参考スコア（独自算出の注目度）: 8.27648210293057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telehealth is an increasingly critical component of the health care ecosystem, especially due to the COVID-19 pandemic. Rapid adoption of telehealth has exposed limitations in the existing infrastructure. In this paper, we study and highlight photo quality as a major challenge in the telehealth workflow. We focus on teledermatology, where photo quality is particularly important; the framework proposed here can be generalized to other health domains. For telemedicine, dermatologists request that patients submit images of their lesions for assessment. However, these images are often of insufficient quality to make a clinical diagnosis since patients do not have experience taking clinical photos. A clinician has to manually triage poor quality images and request new images to be submitted, leading to wasted time for both the clinician and the patient. We propose an automated image assessment machine learning pipeline, TrueImage, to detect poor quality dermatology photos and to guide patients in taking better photos. Our experiments indicate that TrueImage can reject 50% of the sub-par quality images, while retaining 80% of good quality images patients send in, despite heterogeneity and limitations in the training data. These promising results suggest that our solution is feasible and can improve the quality of teledermatology care.
• Abstract（参考訳）: テレヘルスは、特に新型コロナウイルス(COVID-19)のパンデミックにより、医療エコシステムにとってますます重要な要素となっている。 telehealthの急速な採用は、既存のインフラストラクチャの制限を露呈している。 本稿では,遠隔医療における重要な課題として,写真品質の研究と強調を行う。 我々は,写真品質が特に重要である遠隔皮膚科に焦点をあて,この枠組みを他の健康領域に一般化することができる。 遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。 しかし, これらの画像は, 臨床写真撮影経験がない患者のために, 臨床診断に不適当であることが多い。 臨床医は、手動で品質の悪い画像をトリアージし、新しい画像の提出を要求し、臨床医と患者の両方にとって無駄な時間を浪費する。 そこで本研究では,良質な皮膚科画像を検出し,患者により良い写真撮影を指導する,自動画像評価機械学習パイプラインであるtrueimageを提案する。 実験の結果,TrueImageは,トレーニングデータの不均一性や制限にもかかわらず,送信した画質画像の80%を維持しながら,サブパー品質画像の50%を拒否できることがわかった。 これらの有望な結果は,我々のソリューションが実現可能であり,遠隔医療の質を向上させることを示唆している。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Next-Generation Teleophthalmology: AI-enabled Quality Assessment Aiding Remote Smartphone-based Consultation [0.0]
  本稿では,臨床医の判断を模倣した即時フィードバックによるAIによる品質評価システムを提案する。 盲目やその他の眼疾患は、特にインドのような低所得国や中所得国では、世界的な健康上の問題となっている。
  論文  参考訳（メタデータ） (2024-02-11T07:27:01Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Development and Clinical Evaluation of an AI Support Tool for Improving Telemedicine Photo Quality [9.638614577248648]
  TrueImage 2.0は、遠隔医療のための患者の写真品質を評価するためのAIモデルである。 写真品質の改善のために、リアルタイムのフィードバックを提供する。 TrueImage 2.0では、画質の悪い患者を68.0%減らした。
  論文  参考訳（メタデータ） (2022-09-12T23:08:17Z)
• Explainable Image Quality Assessments in Teledermatological Photography [8.772468575761366]
  画像の質は、皮膚科の相談の成功に欠かせない要素である。 患者が送った画像の最大50%は、品質上の問題がある。 本稿では,画像品質評価装置であるImageQXを紹介する。
  論文  参考訳（メタデータ） (2022-09-10T15:48:28Z)
• Towards the Use of Saliency Maps for Explaining Low-Quality Electrocardiograms to End Users [45.62380752173638]
  診断に医用画像を使用する場合,画像が高品質であることが重要である。 遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。 本稿では,低品質な医用画像をリアルタイムにフラグ付け,説明するためのAIシステムの開発について報告する。
  論文  参考訳（メタデータ） (2022-07-06T14:53:26Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Improving Clinical Diagnosis Performance with Automated X-ray Scan Quality Enhancement Algorithms [0.9137554315375919]
  臨床診断において、医療画像には、ノイズ、ぼかし、故障装置によって導入された欠陥アーチファクトが含まれている可能性がある。 本稿では,医用画像の超解像処理に適応し,ベンチマークを行うための画像品質改善手法を提案する。
  論文  参考訳（メタデータ） (2022-01-17T07:27:03Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。