論文の概要: BioFors: A Large Biomedical Image Forensics Dataset

• arxiv url: http://arxiv.org/abs/2108.12961v1
• Date: Mon, 30 Aug 2021 02:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:39:35.595833
• Title: BioFors: A Large Biomedical Image Forensics Dataset
• Title（参考訳）: BioFors:大規模なバイオメディカル画像鑑定データセット
• Authors: Ekraam Sabir, Soumyaroop Nandi, Wael AbdAlmageed, Prem Natarajan
• Abstract要約: 一般的なバイオメディカルイメージ操作をベンチマークする最初のデータセットであるBioForsを紹介します。 BioForsは1,031のオープンソース研究論文から抽出された47,805枚の画像で構成されている。 我々は、すべてのタスクに適切な最先端のアルゴリズムでBioForsをベンチマークする。
• 参考スコア（独自算出の注目度）: 22.32517325828983
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Research in media forensics has gained traction to combat the spread of misinformation. However, most of this research has been directed towards content generated on social media. Biomedical image forensics is a related problem, where manipulation or misuse of images reported in biomedical research documents is of serious concern. The problem has failed to gain momentum beyond an academic discussion due to an absence of benchmark datasets and standardized tasks. In this paper we present BioFors -- the first dataset for benchmarking common biomedical image manipulations. BioFors comprises 47,805 images extracted from 1,031 open-source research papers. Images in BioFors are divided into four categories -- Microscopy, Blot/Gel, FACS and Macroscopy. We also propose three tasks for forensic analysis -- external duplication detection, internal duplication detection and cut/sharp-transition detection. We benchmark BioFors on all tasks with suitable state-of-the-art algorithms. Our results and analysis show that existing algorithms developed on common computer vision datasets are not robust when applied to biomedical images, validating that more research is required to address the unique challenges of biomedical image forensics.
• Abstract（参考訳）: メディア法医学の研究は、誤報の拡散に対処するために勢いを増している。 しかし、この研究の大部分はソーシャルメディアで生成されたコンテンツに向けられている。 バイオメディカル画像鑑定は関連する問題であり、バイオメディカル研究文書で報告された画像の操作や誤用は深刻な問題である。 この問題は、ベンチマークデータセットと標準化されたタスクが欠如しているため、学術的な議論以上の勢いを得られなかった。 本稿では,生物医学的イメージ操作をベンチマークする最初のデータセットであるbioforsを提案する。 bioforsは1,031のオープンソース研究論文から抽出された47,805枚の画像からなる。 バイオフォアの画像は顕微鏡、ブロット/ゲル、facs、macroscopyの4つのカテゴリに分けられる。 また, 外部重複検出, 内部重複検出, 切断・シャープ遷移検出の3つの手法を提案する。 我々は、すべてのタスクに適切な最先端のアルゴリズムでBioForsをベンチマークする。 バイオメディカル画像に適用した場合, 一般的なコンピュータビジョンデータセット上に開発された既存のアルゴリズムは堅牢ではなく, バイオメディカル画像鑑定の独特な課題に対処するためには, さらなる研究が必要であることが検証された。

関連論文リスト

• MultiOrg: A Multi-rater Organoid-detection Dataset [1.29058164565662]
  このデータセットは、400以上の高解像度の2D顕微鏡画像と、6万以上のオルガノイドのアノテーションからなる。 さらに、私たちはオルガノイド検出のためのベンチマークを提供し、人気のある画像視覚化ツールであるNapariの、容易にインストール可能でインタラクティブなプラグインを通じて、最高のモデルを利用できるようにします。
  論文  参考訳（メタデータ） (2024-10-18T17:05:03Z)
• BiomedParse: a biomedical foundation model for image parsing of everything everywhere all at once [58.41069132627823]
  全体像解析は、セグメンテーション、検出、関連するオブジェクトの認識などのサブタスクを含む。 そこで本研究では,9つの画像モダリティにまたがる82種類のオブジェクトの分割,検出,認識を共同で行うことができる,画像解析のためのバイオメディカル基礎モデルであるBiomedParseを提案する。 共同学習により、個々のタスクの精度を向上し、テキストプロンプトを通じてノイズの多い画像中のすべての関連オブジェクトを分割するといった新しいアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-21T17:54:06Z)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)
• LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine in One Day [85.19963303642427]
  本稿では,バイオメディカルイメージのオープンな研究課題に答えられる視覚言語対話アシスタントを訓練するための費用効率のよいアプローチを提案する。 モデルはまず、フィギュア・キャプションのペアを使ってバイオメディカル・ボキャブラリをアライメントし、その後、オープンエンドの会話意味論を習得する。 これにより、バイオメディジンのための大規模言語と視覚アシスタントを15時間以内で(8つのA100で)訓練することができる。
  論文  参考訳（メタデータ） (2023-06-01T16:50:07Z)
• BiomedCLIP: a multimodal biomedical foundation model pretrained from fifteen million scientific image-text pairs [48.376109878173956]
  PMC-15Mは,既存のバイオメディカル・マルチモーダル・データセットよりも2桁大きい新しいデータセットである。 PMC-15Mは440万の科学論文から収集された1500万のバイオメディカル画像テキスト対を含んでいる。 PMC-15Mに基づいて,生物医学的視覚言語処理に適したドメイン固有適応を備えた多モーダル基礎モデルであるBiomedCLIPを事前訓練した。
  論文  参考訳（メタデータ） (2023-03-02T02:20:04Z)
• MONet: Multi-scale Overlap Network for Duplication Detection in Biomedical Images [20.533739598331646]
  重複画像領域を検出するマルチスケール重複検出モデルを提案する。 総合的および複数の生体画像カテゴリにおいて、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-07-19T07:25:43Z)
• Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
  本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。 主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。 また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
  論文  参考訳（メタデータ） (2021-08-25T11:45:40Z)
• Domain-Specific Pretraining for Vertical Search: Case Study on Biomedical Literature [67.4680600632232]
  自己教師型学習は、アノテーションのボトルネックを克服するための有望な方向として現れました。 本稿では,ドメイン固有の事前学習に基づく垂直探索手法を提案する。 我々のシステムはPubMed上で何千万もの記事にスケールでき、Microsoft Biomedical Searchとしてデプロイされている。
  論文  参考訳（メタデータ） (2021-06-25T01:02:55Z)
• A comparative study of semi- and self-supervised semantic segmentation of biomedical microscopy data [0.13701366534590495]
  畳み込みニューラルネットワーク(CNN)は、バイオメディカル画像解析の最先端の手法となっている。 これらのネットワークは通常、教師付き方法でトレーニングされ、大量のラベル付きトレーニングデータを必要とする。 本研究では,バイオメディカルイメージセグメンテーションのためのラベルの少ないCNNの訓練方法を検証する。
  論文  参考訳（メタデータ） (2020-11-11T20:57:10Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。