論文の概要: A Review of Generative Adversarial Networks in Cancer Imaging: New
Applications, New Solutions
- arxiv url: http://arxiv.org/abs/2107.09543v1
- Date: Tue, 20 Jul 2021 14:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 15:04:18.059006
- Title: A Review of Generative Adversarial Networks in Cancer Imaging: New
Applications, New Solutions
- Title（参考訳）: 癌画像における生成的対立ネットワークの概観:新しい応用,新しい解決法
- Authors: Richard Osuala, Kaisar Kushibar, Lidia Garrucho, Akis Linardos,
Zuzanna Szafranowska, Stefan Klein, Ben Glocker, Oliver Diaz, Karim Lekadir
- Abstract要約: コンピュータビジョンにおけるGAN(Generative Adrial Networks)の最近の進歩は、がんの検出と解析における機能強化の基礎となるかもしれない。
データ不足や不均衡など,がん画像の多くの重要な課題に対処するために,GANの可能性を評価した。
本稿では,ガン画像に応用された既存のGANの文献を批判的に評価するとともに,これらの課題に対処するための今後の研究方向性について提案する。
- 参考スコア（独自算出の注目度）: 12.1951719081621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite technological and medical advances, the detection, interpretation,
and treatment of cancer based on imaging data continue to pose significant
challenges. These include high inter-observer variability, difficulty of
small-sized lesion detection, nodule interpretation and malignancy
determination, inter- and intra-tumour heterogeneity, class imbalance,
segmentation inaccuracies, and treatment effect uncertainty. The recent
advancements in Generative Adversarial Networks (GANs) in computer vision as
well as in medical imaging may provide a basis for enhanced capabilities in
cancer detection and analysis. In this review, we assess the potential of GANs
to address a number of key challenges of cancer imaging, including data
scarcity and imbalance, domain and dataset shifts, data access and privacy,
data annotation and quantification, as well as cancer detection, tumour
profiling and treatment planning. We provide a critical appraisal of the
existing literature of GANs applied to cancer imagery, together with
suggestions on future research directions to address these challenges. We
analyse and discuss 163 papers that apply adversarial training techniques in
the context of cancer imaging and elaborate their methodologies, advantages and
limitations. With this work, we strive to bridge the gap between the needs of
the clinical cancer imaging community and the current and prospective research
on GANs in the artificial intelligence community.
- Abstract（参考訳）: 技術と医学の進歩にもかかわらず、画像データに基づくがんの検出、解釈、治療は依然として大きな課題となっている。
これには、オブザーバ間変動性の高さ、小病変検出の難しさ、結節の解釈と悪性度判定、腫瘍間および腫瘍内不均一性、クラス不均衡、セグメンテーションの不正確性、治療効果の不確実性などが含まれる。
コンピュータビジョンと医用画像におけるGAN(Generative Adversarial Networks)の最近の進歩は、がんの検出と解析の能力向上の基礎となるかもしれない。
本総説では,gansのがん画像化における重要な課題として,データ不足と不均衡,ドメインとデータセットのシフト,データアクセスとプライバシ,データアノテーションと定量化,がん検出,腫瘍プロファイリング,治療計画などについて検討する。
我々は,がん画像に適用されたgansの既存文献の批判的評価と,これらの課題に対処するための今後の研究方向性の提案を提供する。
我々は,がん画像の文脈で対人訓練技術を適用した163の論文を分析し,その方法論,利点,限界について詳しく検討する。
本研究は,臨床がん画像コミュニティのニーズと,人工知能コミュニティにおけるGANの現在および将来的な研究とのギャップを埋めることを目的としている。
関連論文リスト
- Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。
ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。
VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文 参考訳（メタデータ） (2024-07-05T13:13:02Z) - Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability [2.8145472964232137]
マルチモーダル技術を用いて、画像データと非画像データを統合することで、乳癌の診断における変革的な進歩を示す。
本稿では,マルチモーダルデータを用いて診断精度,臨床信頼度,患者のエンゲージメントを高めるための説明性を強調する。
論文 参考訳（メタデータ） (2024-06-07T19:23:22Z) - Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification [0.0]
肺がんと大腸がんは世界中で深刻な健康上の問題であり、死亡リスクを減らすためには早期かつ正確な診断が必要である。
組織学は依然として金の標準であり続けているが、サーバ間のミスには時間がかかり、脆弱である。
近年のディープラーニングの進歩は、医療画像解析への応用への関心を生んでいる。
論文 参考訳（メタデータ） (2024-05-07T18:49:34Z) - Survey on deep learning in multimodal medical imaging for cancer
detection [15.304299929182486]
マルチモーダルがん検出は、がん診断の鍵となる研究手法の1つである。
深層学習に基づく物体検出は, 意味的特徴抽出と非線形機能適合の強さから, 顕著な発展を遂げている。
病変の形態的相違、患者間変異、アノテーションの難しさ、画像アーティファクトが原因で、マルチモーダルがんの検出は依然として困難である。
論文 参考訳（メタデータ） (2023-12-04T02:07:47Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - The State of Applying Artificial Intelligence to Tissue Imaging for
Cancer Research and Early Detection [0.0]
回帰、分類、セグメンテーション、生成、圧縮タスクを含む、モデルが開発する5つのコアタスクを特定します。
このような方法が直面するメリットや課題に対処し,がん予防や治療にどのように適応できるかを検討する。
論文 参考訳（メタデータ） (2023-06-29T14:47:03Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - 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)
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。