Fugu-MT 論文翻訳(概要): Improving Clinical Diagnosis Performance with Automated X-ray Scan Quality Enhancement Algorithms

論文の概要: Improving Clinical Diagnosis Performance with Automated X-ray Scan Quality Enhancement Algorithms

arxiv url: http://arxiv.org/abs/2201.06250v1
Date: Mon, 17 Jan 2022 07:27:03 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 05:34:25.737342
Title: Improving Clinical Diagnosis Performance with Automated X-ray Scan Quality Enhancement Algorithms
Title（参考訳）: 自動X線スキャン品質向上アルゴリズムによる臨床診断性能の向上
Authors: Karthik K and Sowmya Kamath S
Abstract要約: 臨床診断において、医療画像には、ノイズ、ぼかし、故障装置によって導入された欠陥アーチファクトが含まれている可能性がある。本稿では,医用画像の超解像処理に適応し,ベンチマークを行うための画像品質改善手法を提案する。
参考スコア（独自算出の注目度）: 0.9137554315375919
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In clinical diagnosis, diagnostic images that are obtained from the scanning devices serve as preliminary evidence for further investigation in the process of delivering quality healthcare. However, often the medical image may contain fault artifacts, introduced due to noise, blur and faulty equipment. The reason for this may be the low-quality or older scanning devices, the test environment or technicians lack of training etc; however, the net result is that the process of fast and reliable diagnosis is hampered. Resolving these issues automatically can have a significant positive impact in a hospital clinical workflow, where often, there is no other way but to work with faulty/older equipment or inadequately qualified radiology technicians. In this paper, automated image quality improvement approaches for adapted and benchmarked for the task of medical image super-resolution. During experimental evaluation on standard open datasets, the observations showed that certain algorithms perform better and show significant improvement in the diagnostic quality of medical scans, thereby enabling better visualization for human diagnostic purposes.
Abstract（参考訳）: 臨床診断において、スキャン装置から得られた診断画像は、質の高い医療を提供する過程におけるさらなる調査の予備的証拠となる。しかし、しばしば医療画像には、ノイズ、ぼやけ、故障した機器によって引き起こされる異常なアーティファクトが含まれている。この原因は、低品質または古い走査装置、試験環境や技術者の訓練不足などであるが、その結果、迅速で信頼性の高い診断のプロセスが妨げられている。これらの問題を自動的に解決することは、病院の臨床ワークフローにおいて大きなプラスの影響を与える可能性がある。本稿では,医用画像の超解像処理に適応・ベンチマークするための画像品質改善手法を提案する。標準オープンデータセットを実験的に評価した結果、特定のアルゴリズムがより良く機能し、医療スキャンの診断品質が大幅に向上し、人間の診断目的の可視化が向上した。

関連論文リスト

Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文参考訳（メタデータ） (2024-11-25T13:40:11Z)
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)
On Validation of Search & Retrieval of Tissue Images in Digital Pathology [0.0]
医療画像は、診断、治療計画、疾病モニタリングに不可欠な情報を提供することによって、現代医療において重要な役割を担っている。技術的進歩は、医療画像の量と複雑さを指数関数的に増加させてきた。 CBIR (Content-Based Image Retrieval) システムは、視覚コンテンツに基づいて画像を検索して検索することで、このニーズに対処する。
論文参考訳（メタデータ） (2024-08-02T20:55:45Z)
Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
胸部X線(CXR)を低分解能で診断する上での課題について検討した。高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
論文参考訳（メタデータ） (2024-05-22T06:10:54Z)
Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
論文参考訳（メタデータ） (2023-12-19T13:14:52Z)
BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound Image Segmentation Tasks [15.998631461609968]
超音波画像中の病変や組織を分類または診断するためのベンチマーク注意適応フレームワーク(BAAF)を提案する。 BAAFは並列ハイブリッドアテンションモジュール(PHAM)と適応キャリブレーション機構(ACM)から構成される。 BAAFの設計は、CNNにおける「何」と「どこに」の焦点と選択の問題をさらに最適化し、医療用超音波画像における病変や組織のセグメンテーション精度を改善することを目指している。
論文参考訳（メタデータ） (2023-10-02T06:15:50Z)
Image Quality-aware Diagnosis via Meta-knowledge Co-embedding [11.14366093273983]
本稿では,タスクネットとメタラーナーの2つからなるメタ知識協調型ネットワークを提案する。 Task Netは明示的な品質情報利用メカニズムを構築し、知識を組み込んだ機能による診断を強化する。 Meta Learnerは、メタラーニングと共同エンコーディングマスキングを通じて、これらの機能のセマンティクスの有効性と制約を保証する。
論文参考訳（メタデータ） (2023-03-27T09:35:44Z)
Failure Detection in Medical Image Classification: A Reality Check and Benchmarking Testbed [23.25084022554028]
自動画像分類における故障検出は、臨床展開にとって重要な安全策である。その最重要さにもかかわらず、テストタイムの失敗を検出する最先端の信頼度評価手法の能力に関する証拠は不十分である。本稿では,ドメイン内誤分類検出手法の性能を実証する現実チェックを提案する。
論文参考訳（メタデータ） (2022-05-27T16:50:48Z)
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)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。 X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文参考訳（メタデータ） (2020-04-06T15:21:34Z)

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。