論文の概要: CapillaryX: A Software Design Pattern for Analyzing Medical Images in Real-time using Deep Learning

• arxiv url: http://arxiv.org/abs/2204.08462v1
• Date: Wed, 13 Apr 2022 18:47:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 16:07:43.144193
• Title: CapillaryX: A Software Design Pattern for Analyzing Medical Images in Real-time using Deep Learning
• Title（参考訳）: CapillaryX:ディープラーニングを用いたリアルタイム医療画像分析のためのソフトウェア設計パターン
• Authors: Maged Abdalla Helmy Abdou, Paulo Ferreira, Eric Jul, Tuyen Trung Truong
• Abstract要約: 本稿では,医療画像のリアルタイム解析をローカルかつ並列に行うことができる計算アーキテクチャを提案する。 我々は,微小循環画像中の血管の定量化という,特定の医学・工業ケーススタディに焦点を当てた。 その結果,本システムはシリアルシステムに比べて約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であることがわかった。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in digital imaging, e.g., increased number of pixels captured, have meant that the volume of data to be processed and analyzed from these images has also increased. Deep learning algorithms are state-of-the-art for analyzing such images, given their high accuracy when trained with a large data volume of data. Nevertheless, such analysis requires considerable computational power, making such algorithms time- and resource-demanding. Such high demands can be met by using third-party cloud service providers. However, analyzing medical images using such services raises several legal and privacy challenges and does not necessarily provide real-time results. This paper provides a computing architecture that locally and in parallel can analyze medical images in real-time using deep learning thus avoiding the legal and privacy challenges stemming from uploading data to a third-party cloud provider. To make local image processing efficient on modern multi-core processors, we utilize parallel execution to offset the resource-intensive demands of deep neural networks. We focus on a specific medical-industrial case study, namely the quantifying of blood vessels in microcirculation images for which we have developed a working system. It is currently used in an industrial, clinical research setting as part of an e-health application. Our results show that our system is approximately 78% faster than its serial system counterpart and 12% faster than a master-slave parallel system architecture.
• Abstract（参考訳）: デジタル画像の最近の進歩、例えば、キャプチャされたピクセル数の増加は、これらの画像から処理および分析するデータの量も増加したことを意味する。 ディープラーニングアルゴリズムは、大量のデータでトレーニングされた場合の高精度さから、そのような画像を分析するための最先端技術である。 それにもかかわらず、そのような分析にはかなりの計算能力が必要であり、時間とリソースを要求できるアルゴリズムである。 このような高い要求は、サードパーティのクラウドサービスプロバイダを使って満たすことができる。 しかし、このようなサービスを使って医用画像を分析すると、いくつかの法的およびプライバシー上の課題が生じ、必ずしもリアルタイムな結果が得られない。 本稿では、ディープラーニングを用いて、ローカルかつ並列に医療画像をリアルタイムで分析できるコンピューティングアーキテクチャを提供する。 局所画像処理を現代マルチコアプロセッサ上で効率的にするために、並列実行を利用して、ディープニューラルネットワークのリソース集約要求を相殺する。 本研究は,手術システムを開発した微小循環画像における血管の定量化という,特定の医学・産業のケーススタディに焦点を当てた。 現在、e-healthアプリケーションの一部として、産業、臨床研究の現場で使用されている。 その結果,本システムはシリアルシステムよりも約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であった。

関連論文リスト

• Coupling AI and Citizen Science in Creation of Enhanced Training Dataset for Medical Image Segmentation [3.7274206780843477]
  我々は、AIとクラウドソーシングを組み合わせた堅牢で汎用的なフレームワークを導入し、医療画像データセットの品質と量を改善する。 当社のアプローチでは,多様なクラウドアノテータのグループによる医療画像のラベル付けを効率的に行うことができる,ユーザフレンドリーなオンラインプラットフォームを活用している。 我々は、生成AIモデルであるpix2pixGANを使用して、リアルな形態的特徴をキャプチャする合成画像を用いてトレーニングデータセットを拡張する。
  論文  参考訳（メタデータ） (2024-09-04T21:22:54Z)
• 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)
• 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)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• Computer Vision for Supporting Image Search [2.18624447693809]
  トレーニングに利用可能な膨大なデータのメリットを活用しており、膨大なコンピュータ処理が利用可能であり、マシンラーニングの進化をデータ処理と正確な視覚ベースのシステム提供のための一連のテクニックとして見てきました。 我々はこれを、自動運転車のナビゲーションやセキュリティアプリケーション、例えばCCTVの検索、医療診断のための医療画像解析に利用しています。 ユーザによる画像検索やビデオ検索が普及しないアプリケーションのひとつとして,人間の記憶を調べたり,失敗したりすることで,そのような画像検索や再検索の必要性が指摘され,画像検索に対する別のアプローチの必要性が浮き彫りにされている。
  論文  参考訳（メタデータ） (2021-11-16T20:50:32Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
  畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。 CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。 近年,圧縮領域から直接学習できる深層学習手法が注目されている。
  論文  参考訳（メタデータ） (2020-12-26T15:00:10Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)
• 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)
• Organ Segmentation From Full-size CT Images Using Memory-Efficient FCN [10.411340412305849]
  医用画像分割作業では、サブボリュームトリミングが一般的な前処理となっている。 いくつかのメモリ最適化手法を組み込んだ,メモリ効率の良い完全畳み込みネットワーク(FCN)を提案する。
  論文  参考訳（メタデータ） (2020-03-24T07:12:45Z)

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。