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 Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。
DenseNetは複雑な医療画像の特徴抽出に適している。
FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
論文 参考訳（メタデータ） (2024-11-03T08:14:31Z) - 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) - De-Identification of Medical Imaging Data: A Comprehensive Tool for Ensuring Patient Privacy [4.376648893167674]
オープンソースツールを使用して、DICOMの磁気共鳴画像、コンピュータ画像、スライド画像全体、および磁気共鳴twixの生データを識別することができる。
複数種類の入力のための精巧な匿名化パイプラインを備えており、画像データの非識別に使用される追加ツールの必要性を低減している。
論文 参考訳（メタデータ） (2024-10-16T09:31:24Z) - VISION: Toward a Standardized Process for Radiology Image Management at the National Level [3.793492459789475]
我々は,米国退役軍人局(VA)電子健康記録データベースに関連付けられた,信頼できる放射線画像の収集を行った経験について述べる。
主な洞察は、臨床から研究可能な環境への画像転送に必要な特定の手順を明らかにすることである。
論文 参考訳（メタデータ） (2024-04-29T16:30:24Z) - Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。
このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
論文 参考訳（メタデータ） (2024-03-28T02:51:33Z) - 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) - 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) - 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) - 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。