論文の概要: Computer-Assisted Analysis of Biomedical Images
- arxiv url: http://arxiv.org/abs/2106.04381v1
- Date: Fri, 4 Jun 2021 21:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 12:05:23.980315
- Title: Computer-Assisted Analysis of Biomedical Images
- Title(参考訳): バイオメディカル画像のコンピュータ支援解析
- Authors: Leonardo Rundo
- Abstract要約: 本論文は, バイオメディカル画像解析のための新しい, 先進的なコンピュータ支援手法を提案することを目的とする。
これらの研究の最終的な目標は、臨床および生物学的に有用な知見を得て、鑑別診断と治療を導くことである。
- 参考スコア(独自算出の注目度): 1.0116577992023341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, the amount of heterogeneous biomedical data is increasing more and
more thanks to novel sensing techniques and high-throughput technologies. In
reference to biomedical image analysis, the advances in image acquisition
modalities and high-throughput imaging experiments are creating new challenges.
This huge information ensemble could overwhelm the analytic capabilities needed
by physicians in their daily decision-making tasks as well as by biologists
investigating complex biochemical systems. In particular, quantitative imaging
methods convey scientifically and clinically relevant information in
prediction, prognosis or treatment response assessment, by also considering
radiomics approaches. Therefore, the computational analysis of medical and
biological images plays a key role in radiology and laboratory applications. In
this regard, frameworks based on advanced Machine Learning and Computational
Intelligence can significantly improve traditional Image Processing and Pattern
Recognition approaches. However, conventional Artificial Intelligence
techniques must be tailored to address the unique challenges concerning
biomedical imaging data. This thesis aims at proposing novel and advanced
computer-assisted methods for biomedical image analysis, also as an instrument
in the development of Clinical Decision Support Systems, by always keeping in
mind the clinical feasibility of the developed solutions. In conclusion, the
ultimate goal of these research studies is to gain clinically and biologically
useful insights that can guide differential diagnosis and therapies, leading
towards biomedical data integration for personalized medicine. As a matter of
fact, the proposed computer-assisted bioimage analysis methods can be
beneficial for the definition of imaging biomarkers, as well as for
quantitative medicine and biology.
- Abstract(参考訳): 近年,新しいセンシング技術や高出力技術により,異種バイオメディカルデータの量が増えてきている。
バイオメディカル画像解析に関して、画像取得モードと高出力画像実験の進歩が新たな課題を生み出している。
この膨大な情報アンサンブルは、医師が日々の意思決定作業や複雑な生化学システムを研究する生物学者に必要な分析能力を圧倒する可能性がある。
特に、定量的イメージング法は、放射線学的アプローチも考慮し、予測、予後、治療応答評価において科学的および臨床的に関連のある情報を伝達する。
したがって, 医用画像や生体画像の計算解析は, 放射線学や実験室の応用において重要な役割を担っている。
この点において、高度な機械学習と計算知能に基づくフレームワークは、従来の画像処理とパターン認識アプローチを大幅に改善することができる。
しかし、従来の人工知能技術は、バイオメディカルイメージングデータに関するユニークな課題に対処するために調整されなければならない。
本論文は, 新規で先進的なコンピュータ支援によるバイオメディカル画像解析手法, および臨床診断支援システムの開発において, 開発ソリューションの臨床的実現可能性に常に留意することを目的としている。
結論として、これらの研究の究極の目標は、鑑別診断と治療を導く臨床および生物学的に有用な洞察を得ることであり、パーソナライズ医療のためのバイオメディカルデータ統合へと導かれる。
実のところ、提案するコンピュータ支援バイオイメージ分析法は、イメージングバイオマーカーの定義だけでなく、定量医学や生物学にも有用である。
関連論文リスト
- Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis:
A review [2.2268038840298714]
バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。
機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
論文 参考訳(メタデータ) (2024-01-12T07:01:36Z) - Responsible Deep Learning for Software as a Medical Device [0.0]
このワークショップ論文の拡張版は、2022年IEEE 19th International Symposium on Biomedical Imagingの特別セッションで発表された。
カリフォルニア大学教授による機械学習と臨床研究の戦略と機会を説明する。
皮膚(RGB)、組織生検(デジタル病理)、肺および腎臓(磁気共鳴、X線、CT)のAI/MLモデルの性能評価について検討した。
論文 参考訳(メタデータ) (2023-12-20T18:12:07Z) - Artificial Intelligence for Digital and Computational Pathology [8.255348228685682]
組織スライドのデジタル化の進展と人工知能の急速な進歩は、計算病理学の分野を加速させた。
本総説では, クリニカルエンドポイントの予測手法の進歩を概説する。
これらの開発が臨床の自動化と新しいバイオマーカーの発見を可能にしている点を強調している。
論文 参考訳(メタデータ) (2023-12-13T00:22:52Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳(メタデータ) (2022-10-04T13:48:59Z) - Graph Convolutional Networks for Multi-modality Medical Imaging:
Methods, Architectures, and Clinical Applications [13.940158397866625]
グラフ畳み込みネットワーク(GCN)の開発は、医療画像解析における新たな研究の波を生み出した。
GCNの能力は、定量的疾患の理解、モニタリング、診断の改善を目標に、医療画像解析における新たな研究の波を生み出している。
論文 参考訳(メタデータ) (2022-02-17T22:03:59Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳(メタデータ) (2021-05-03T21:20:20Z) - Medical Imaging and Machine Learning [16.240472115235253]
2018年に国立衛生研究所は、医療画像における人工知能の未来における重要な焦点領域を特定した。
データ可用性、新しいコンピューティングアーキテクチャと説明可能なAIアルゴリズムの必要性は、いまだに関係している。
本稿では,高次元臨床画像データに特有の課題について考察するとともに,技術的・倫理的考察を紹介する。
論文 参考訳(メタデータ) (2021-03-02T18:53:39Z) - 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) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。