論文の概要: A Systematic Collection of Medical Image Datasets for Deep Learning
- arxiv url: http://arxiv.org/abs/2106.12864v1
- Date: Thu, 24 Jun 2021 10:00:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 15:12:33.211750
- Title: A Systematic Collection of Medical Image Datasets for Deep Learning
- Title（参考訳）: 深層学習のための医用画像データセットの体系的収集
- Authors: Johann Li, Guangming Zhu, Cong Hua, Mingtao Feng, BasheerBennamoun,
Ping Li, Xiaoyuan Lu, Juan Song, Peiyi Shen, Xu Xu, Lin Mei, Liang Zhang,
Syed Afaq Ali Shah, Mohammed Bennamoun
- Abstract要約: ディープラーニングアルゴリズムはデータ依存であり、トレーニングには大規模なデータセットを必要とする。
医用画像領域におけるデータ不足は、深層学習を医用画像解析に応用するためのボトルネックとなる。
本稿では、深層学習研究における課題について、医用画像データセットのコレクションを提供する。
- 参考スコア（独自算出の注目度）: 37.476768951211206
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The astounding success made by artificial intelligence (AI) in healthcare and
other fields proves that AI can achieve human-like performance. However,
success always comes with challenges. Deep learning algorithms are
data-dependent and require large datasets for training. The lack of data in the
medical imaging field creates a bottleneck for the application of deep learning
to medical image analysis. Medical image acquisition, annotation, and analysis
are costly, and their usage is constrained by ethical restrictions. They also
require many resources, such as human expertise and funding. That makes it
difficult for non-medical researchers to have access to useful and large
medical data. Thus, as comprehensive as possible, this paper provides a
collection of medical image datasets with their associated challenges for deep
learning research. We have collected information of around three hundred
datasets and challenges mainly reported between 2013 and 2020 and categorized
them into four categories: head & neck, chest & abdomen, pathology & blood, and
``others''. Our paper has three purposes: 1) to provide a most up to date and
complete list that can be used as a universal reference to easily find the
datasets for clinical image analysis, 2) to guide researchers on the
methodology to test and evaluate their methods' performance and robustness on
relevant datasets, 3) to provide a ``route'' to relevant algorithms for the
relevant medical topics, and challenge leaderboards.
- Abstract（参考訳）: 医療やその他の分野における人工知能(AI)による驚くべき成功は、AIが人間のようなパフォーマンスを達成することを証明している。
しかし、成功は常に挑戦を伴う。
ディープラーニングアルゴリズムはデータに依存し、トレーニングのために大きなデータセットを必要とする。
医用画像領域におけるデータ不足は、深層学習を医用画像解析に応用するためのボトルネックとなる。
医用画像の取得、注釈、分析は費用がかかり、それらの使用は倫理的制約によって制限される。
人的専門知識や資金といった多くのリソースも必要です。
これにより、非医学研究者が有用で大規模な医療データにアクセスすることが困難になる。
そこで本論文は,可能な限り包括的に,深層学習研究の課題と関連する医用画像データセットのコレクションを提供する。
2013年から2020年にかけて主に報告された約300のデータセットと課題の情報を収集し、頭部と頸部、胸部と腹部、病理と血液、および‘others’の4つのカテゴリに分類した。
本研究の目的は,1) 臨床画像解析のためのデータセットの発見に有効な,最も最新かつ完全なリストを提供すること,2) 関連データセットにおける手法の性能と堅牢性を検証し評価する方法論を研究者に案内すること,3) 関連する医療トピックに関するアルゴリズムに'route'を提供すること,および,リーダーボードに挑戦すること,の3つである。
関連論文リスト
- Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳（メタデータ） (2024-04-27T05:03:42Z) - All-in-one platform for AI R&D in medical imaging, encompassing data
collection, selection, annotation, and pre-processing [0.6291643559814802]
Deep Learningは医療画像研究開発(R&D)を推進しており、AI/MLベースの医療機器の頻繁な臨床利用につながっている。
しかし、AIR&Dを前進させるためには、1) ヨーロッパ/アメリカ、そしてアジアからの10%未満のデータを含む重要なデータ不均衡、2) 世界の人口の60%を占めること、2) 商用利用のためにデータセットをキュレートするために必要な時間と投資の2つの課題が生じる。
そこで我々は,1)データ収集,2)データ選択,3)アノテーション,および4)事前処理などのステップを含む,最初の商用医用イメージングプラットフォームを構築した。
論文 参考訳（メタデータ） (2024-03-10T09:24:53Z) - Medical Image Retrieval Using Pretrained Embeddings [0.6827423171182154]
トレーニングや微調整の必要なく,事前訓練ネットワークを用いて医用画像検索を行うことが可能であることを示す。
プレトレーニングを施した埋込装置を用いて, 運動量, 身体領域, 臓器レベルでの様々なタスクに対する1のリコールを達成した。
論文 参考訳（メタデータ） (2023-11-22T17:42:33Z) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳（メタデータ） (2023-07-18T16:53:07Z) - DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum [15.382184404673389]
この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
論文 参考訳（メタデータ） (2023-07-01T12:30:58Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Pathological Visual Question Answering [14.816825480418588]
視覚的質問応答(VQA)データセットを作成して,AIエージェントに質問とともに病理像を提示し,正しい回答を求める必要がある。
プライバシー上の懸念から、病理画像は通常公開されていない。
高度に経験を積んだ病理学者を雇って、病理の視覚的な疑問や答えを作るのは難しい。
病理学的問合せ(QA)ペアの医療概念と知識は非常に多様である。
論文 参考訳（メタデータ） (2020-10-06T00:36:55Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。