論文の概要: Technical Report: Quality Assessment Tool for Machine Learning with
Clinical CT
- arxiv url: http://arxiv.org/abs/2107.12842v1
- Date: Tue, 27 Jul 2021 14:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:38:32.157773
- Title: Technical Report: Quality Assessment Tool for Machine Learning with
Clinical CT
- Title(参考訳): 臨床ctを用いた機械学習の品質評価ツール
- Authors: Riqiang Gao, Mirza S. Khan, Yucheng Tang, Kaiwen Xu, Steve Deppen,
Yuankai Huo, Kim L. Sandler, Pierre P. Massion, Bennett A. Landman
- Abstract要約: 画像品質評価(IQA)は科学的調査、特に医用画像や機械学習において重要である。
実際には、ネットワーク問題、高速化された取得、モーションアーティファクト、イメージングプロトコル設計などの複数の要因が、画像収集の解釈を妨げる可能性がある。
そこで我々は,臨床的に得られたCTデータの大規模データマイニングで発生する問題を特定し,解決するためのパイプラインを作成した。
- 参考スコア(独自算出の注目度): 3.8144111843457327
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image Quality Assessment (IQA) is important for scientific inquiry,
especially in medical imaging and machine learning. Potential data quality
issues can be exacerbated when human-based workflows use limited views of the
data that may obscure digital artifacts. In practice, multiple factors such as
network issues, accelerated acquisitions, motion artifacts, and imaging
protocol design can impede the interpretation of image collections. The medical
image processing community has developed a wide variety of tools for the
inspection and validation of imaging data. Yet, IQA of computed tomography (CT)
remains an under-recognized challenge, and no user-friendly tool is commonly
available to address these potential issues. Here, we create and illustrate a
pipeline specifically designed to identify and resolve issues encountered with
large-scale data mining of clinically acquired CT data. Using the widely
studied National Lung Screening Trial (NLST), we have identified approximately
4% of image volumes with quality concerns out of 17,392 scans. To assess
robustness, we applied the proposed pipeline to our internal datasets where we
find our tool is generalizable to clinically acquired medical images. In
conclusion, the tool has been useful and time-saving for research study of
clinical data, and the code and tutorials are publicly available at
https://github.com/MASILab/QA_tool.
- Abstract(参考訳): 画像品質評価(IQA)は科学的調査、特に医用画像や機械学習において重要である。
人間のワークフローがデジタルアーティファクトを隠蔽する可能性のあるデータの限られたビューを使用する場合、潜在的なデータ品質の問題が悪化する可能性がある。
実際には、ネットワーク問題、高速化された取得、モーションアーティファクト、イメージングプロトコル設計などの複数の要因が、画像収集の解釈を妨げる可能性がある。
医用画像処理コミュニティは、画像データの検査と検証のための多種多様なツールを開発した。
しかし、CT(Computerd tomography)のIQAは未認識の課題であり、これらの潜在的な問題に対処するためのユーザフレンドリなツールが一般には使用されていない。
そこで我々は,臨床的に得られたCTデータの大規模データマイニングで発生する問題を特定し,解決するためのパイプラインを作成した。
全国肺スクリーニング試験 (nlst) により, 17,392回のスキャンのうち, 画像量の約4%が品質に懸念があることが明らかとなった。
堅牢性を評価するために,提案するパイプラインを内部データセットに適用し,臨床で取得した医用画像に汎用性があることを確認した。
結論として、このツールは臨床データの研究に役立ち、時間節約に役立ち、コードとチュートリアルはhttps://github.com/masilab/qa_toolで公開されている。
関連論文リスト
- Efficient Large Scale Medical Image Dataset Preparation for Machine
Learning Applications [0.08484806297945031]
本稿では,Kaapanaオープンソースツールキットの一部として開発された,革新的なデータキュレーションツールを紹介する。
このツールは、放射線学者や機械学習研究者のニーズに合わせたものだ。
高度な検索、自動アノテーション、データキュレーションの改善のための効率的なタグ付け機能を備えている。
論文 参考訳(メタデータ) (2023-09-29T14:41:02Z) - HistoColAi: An Open-Source Web Platform for Collaborative Digital
Histology Image Annotation with AI-Driven Predictive Integration [1.5291251918989404]
デジタル病理は、その多くの利点により、病理ワークフローの標準となっている。
深層学習に基づく画像解析手法の最近の進歩は、デジタル病理学の潜在的助けとなる。
本稿では,デジタル化された組織像を視覚化・注釈するツールを効率的に提供するWebサービスを提案する。
論文 参考訳(メタデータ) (2023-07-11T10:41:09Z) - Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。
CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
論文 参考訳(メタデータ) (2023-06-03T09:05:35Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。
画像を読んでいるときに、放射線科医の視線を記録します。
視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
論文 参考訳(メタデータ) (2022-04-06T08:31:05Z) - 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) - "One-Shot" Reduction of Additive Artifacts in Medical Images [17.354879155345376]
深層学習の力を利用するワンショット医用画像アーティファクトリダクション(OSAR)について,事前訓練された汎用ネットワークを使わずに紹介する。
具体的には,テスト時に入力画像から合成したデータを用いて,軽量な画像固有アーティファクト削減ネットワークを訓練する。
提案手法は, 試験時間を短縮して, 定性的に, 定量的に, 最先端の工芸品よりも優れた工芸品を削減できることを示す。
論文 参考訳(メタデータ) (2021-10-23T18:35:00Z) - Training deep cross-modality conversion models with a small amount of
data and its application to MVCT to kVCT conversion [1.4746127876003345]
提案手法は,CT画像に適した複数の拡張を持つGAN(Generative Adversarial Network)に基づく。
深層学習に基づくMVCTからkVCTへの変換モデルを開発した。
論文 参考訳(メタデータ) (2021-07-12T07:43:41Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳(メタデータ) (2020-04-16T21:06:49Z)
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。