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
- Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。
多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。
PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
論文 参考訳（メタデータ） (2024-11-01T18:02:41Z) - Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。
CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。
これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
論文 参考訳（メタデータ） (2024-10-18T02:57:14Z) - Practical Applications of Advanced Cloud Services and Generative AI Systems in Medical Image Analysis [17.4235794108467]
本稿では、医用画像における生成AIの変換可能性について考察し、合成ACM-2データを生成する能力を強調した。
データセットのサイズと多様性の制限に対処することにより、これらのモデルはより正確な診断と患者の結果の改善に寄与する。
論文 参考訳（メタデータ） (2024-03-26T09:55:49Z) - 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) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - 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) - 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。