Fugu-MT 論文翻訳(概要): Challenges for machine learning in clinical translation of big data imaging studies

論文の概要: Challenges for machine learning in clinical translation of big data imaging studies

arxiv url: http://arxiv.org/abs/2107.05630v1
Date: Wed, 7 Jul 2021 19:26:16 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 13:36:38.837668
Title: Challenges for machine learning in clinical translation of big data imaging studies
Title（参考訳）: ビッグデータイメージング研究の臨床的翻訳における機械学習の課題
Authors: Nicola K Dinsdale, Emma Bluemke, Vaanathi Sundaresan, Mark Jenkinson, Stephen Smith, Ana IL Namburete
Abstract要約: 我々は、データの可用性、解釈可能性、評価、論理的課題に関する問題に焦点を当てる。ビッグデータのディープラーニングアプローチの完全な成功が、研究分野の外で得られるようになるためには、まだ克服されるべきだ、と私たちは信じています。
参考スコア（独自算出の注目度）: 2.270512168589283
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The combination of deep learning image analysis methods and large-scale imaging datasets offers many opportunities to imaging neuroscience and epidemiology. However, despite the success of deep learning when applied to many neuroimaging tasks, there remain barriers to the clinical translation of large-scale datasets and processing tools. Here, we explore the main challenges and the approaches that have been explored to overcome them. We focus on issues relating to data availability, interpretability, evaluation and logistical challenges, and discuss the challenges we believe are still to be overcome to enable the full success of big data deep learning approaches to be experienced outside of the research field.
Abstract（参考訳）: ディープラーニング画像解析法と大規模画像データセットの組み合わせは、神経科学と疫学のイメージングに多くの機会をもたらす。しかしながら、多くのニューロイメージングタスクに適用されたディープラーニングの成功にもかかわらず、大規模データセットと処理ツールの臨床的翻訳には障壁が残っている。ここでは、これらを克服するための主な課題とアプローチについて検討する。我々は、データの可用性、解釈可能性、評価、論理的課題に関する問題に焦点を合わせ、研究分野の外でビッグデータのディープラーニングアプローチが完全に成功するためには、まだ克服すべき課題について議論する。

関連論文リスト

Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review [30.91867799522664]
病理組織学における深層学習の応用について概説する。われわれは過去10年間にデータ不足によって引き起こされた課題に注目している。未調査の研究機会を特定します。
論文参考訳（メタデータ） (2024-10-18T07:29:48Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
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)
Image Data Augmentation for Deep Learning: A Survey [8.817690876855728]
我々は、異なる画像データ拡張手法を体系的にレビューする。本稿では,レビュー手法の分類法を提案し,これらの手法の長所と短所について述べる。また,3種類のコンピュータビジョンタスクに対して,様々なデータ拡張手法による広範囲な実験を行った。
論文参考訳（メタデータ） (2022-04-19T02:05:56Z)
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)
Ten years of image analysis and machine learning competitions in dementia [5.072348652654899]
MIRIAD, Alzheimer's Disease Big Data DREAM, CADDementia, Machine Learning Challenge, MCI Neuroimaging, TADPOLE, そして予測分析コンペティション。研究の質問やデータセット、検証のアプローチ、結果、影響について、これらの大きな課題がどのように補完されているのかを分析しました。臨床問題やタスク,パフォーマンス指標にはほとんど重複がなかった。幅広い質問に対する洞察を提供するというメリットがある一方で,課題を越えた結果の検証も制限されている。
論文参考訳（メタデータ） (2021-12-15T06:57:47Z)
An Overview of Healthcare Data Analytics With Applications to the COVID-19 Pandemic [20.912943922420407]
本稿では,医療の一般的な問題に対して,革新的な分析手法,機械学習ツール,メタヒューリスティックがどう対処できるかを説明する。特に、現代のデジタル技術、統計手法、データプラットフォーム、データ統合システムの応用について述べる。ビッグデータの分析と解釈は、複数の学際的な努力を必要とする非常に難しい作業である、と我々は主張する。
論文参考訳（メタデータ） (2021-11-25T06:37:24Z)
Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文参考訳（メタデータ） (2021-03-03T11:39:17Z)
A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises [27.16172003905426]
医用画像の特徴を最初に提示し,臨床ニーズと医用画像の技術的課題の両方を強調した。次に, デジタル診断, 胸部, 脳, 心血管, 腹部画像検査など, 臨床現場で一般的に見られるいくつかの症例について報告する。
論文参考訳（メタデータ） (2020-08-02T14:26:13Z)
Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。