論文の概要: Computer vision for liquid samples in hospitals and medical labs using
hierarchical image segmentation and relations prediction
- arxiv url: http://arxiv.org/abs/2105.01456v1
- Date: Tue, 4 May 2021 12:39:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 16:09:30.819009
- Title: Computer vision for liquid samples in hospitals and medical labs using
hierarchical image segmentation and relations prediction
- Title（参考訳）: 階層的画像分割と関係予測を用いた病院・医療施設における液体試料のコンピュータビジョン
- Authors: Sagi Eppel, Haoping Xu, Alan Aspuru-Guzik
- Abstract要約: 本研究は,透明容器内の医用流体試料の画像分割と分類におけるコンピュータビジョンの利用を考察する。
画像から液体や容器を正確に識別・分別できる能力は、そのようなプロセスを自動化するのに役立ちます。
現代のコンピュータビジョンは、通常、注釈付き画像の大きなデータセットでディープニューラルネットワークを訓練する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work explores the use of computer vision for image segmentation and
classification of medical fluid samples in transparent containers (for example,
tubes, syringes, infusion bags). Handling fluids such as infusion fluids,
blood, and urine samples is a significant part of the work carried out in
medical labs and hospitals. The ability to accurately identify and segment the
liquids and the vessels that contain them from images can help in automating
such processes. Modern computer vision typically involves training deep neural
nets on large datasets of annotated images. This work presents a new dataset
containing 1,300 annotated images of medical samples involving vessels
containing liquids and solid material. The images are annotated with the type
of liquid (e.g., blood, urine), the phase of the material (e.g., liquid, solid,
foam, suspension), the type of vessel (e.g., syringe, tube, cup, infusion
bottle/bag), and the properties of the vessel (transparent, opaque). In
addition, vessel parts such as corks, labels, spikes, and valves are annotated.
Relations and hierarchies between vessels and materials are also annotated,
such as which vessel contains which material or which vessels are linked or
contain each other. Three neural networks are trained on the dataset: One
network learns to detect vessels, a second net detects the materials and parts
inside each vessel, and a third net identifies relationships and connectivity
between vessels.
- Abstract（参考訳）: 本研究は,透明容器(チューブ,注射器,注入袋など)における画像分割と医用流体試料の分類におけるコンピュータビジョンの利用を考察する。
輸液液、血液、尿サンプルなどの流体を扱うことは、医療機関や病院で行われている研究の重要な部分である。
画像から液体や容器を正確に識別・分別できる能力は、そのようなプロセスを自動化するのに役立ちます。
現代のコンピュータビジョンは通常、注釈付き画像の大きなデータセットでディープニューラルネットワークをトレーニングする。
本研究は,液体と固体物質を含む容器を含む医療サンプルの1,300点の注釈付き画像を含む新しいデータセットを提案する。
画像には、液体の種類(例えば、血液、尿)、材料の相(例えば、液体、固体、泡、懸濁液)、容器の種類(例えば、注射器、チューブ、カップ、注入ボトル/バッグ)、容器の特性(透明、不透明)が注記されている。
また、コルク、ラベル、スパイク、バルブなどの容器部が注釈付けされている。
船と材質の関係や階層は、どの船がどの材質を含んでいるか、あるいはどの船が相互に連結されているかなど、注釈付けされている。
3つのニューラルネットワークがデータセット上でトレーニングされている: 1つのネットワークが容器の検出を学習し、2つめのネットが各容器内の材料と部分を検出し、3番目は容器間の関係と接続を識別する。
関連論文リスト
- The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - A Labeled Ophthalmic Ultrasound Dataset with Medical Report Generation Based on Cross-modal Deep Learning [8.733721267033705]
本報告では,医療画像の正確な分析と自動探索のためのラベル付き眼科データセットと関連する報告について述べる。
中国・新陽市にある眼科病院で2,417人の患者から、超音波画像、血流情報、検査報告を含む3つのモーダルデータを収集している。
論文 参考訳（メタデータ） (2024-07-26T11:03:18Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Physiology-based simulation of the retinal vasculature enables
annotation-free segmentation of OCT angiographs [8.596819713822477]
提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。
提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
論文 参考訳（メタデータ） (2022-07-22T14:22:22Z) - Immunofluorescence Capillary Imaging Segmentation: Cases Study [4.6841801126064455]
バイオメディカルエキスパートが注記したセグメンテーション境界と血管充填を有する155個の2次元キャピラリー画像からなるIFCIS-155というベンチマークデータセットを提示する。
我々は現在最先端の免疫蛍光イメージング技術を活用し, 骨間毛細血管の豊かな血管形態を明らかにする。
我々の研究は、キャピラリー画像セグメンテーションのためのディープラーニングモデルをトレーニングするためのベンチマークデータセットを提供し、将来のキャピラリー研究のための潜在的ツールを提供する。
論文 参考訳（メタデータ） (2022-07-14T12:29:52Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳（メタデータ） (2022-05-27T08:06:40Z) - Self-supervised Transparent Liquid Segmentation for Robotic Pouring [15.174709965663299]
液体状態の推定は、注水などのロボティクスのタスクにおいて重要である。
色付き液体の画像から合成された透明な液体画像への変換が可能な生成モデルを用いる。
手動のアノテーションを必要とせずに透明液体のセグメンテーションマスクを正確に予測することができる。
論文 参考訳（メタデータ） (2022-03-03T06:26:04Z) - The RETA Benchmark for Retinal Vascular Tree Analysis [6.923431677344723]
網膜血管分析を容易にするために,81個のラベル付き血管マスクを用いた新しいベンチマークRETAを構築した。
データセット構築中に、アノテーション間の変動とアノテーション内の変動を制御しようと試みた。
ユーザは、コンテナセグメンテーションアルゴリズムを開発したり、私たちのデータセットでコンテナセグメンテーションのパフォーマンスを評価したりできます。
論文 参考訳（メタデータ） (2021-11-23T05:10:38Z) - Hierarchical Deep Network with Uncertainty-aware Semi-supervised
Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。
提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-05-31T06:55:43Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z) - 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。