Fugu-MT 論文翻訳(概要): Transformer-based Personalized Attention Mechanism (PersAM) for Medical Images with Clinical Records

論文の概要: Transformer-based Personalized Attention Mechanism (PersAM) for Medical Images with Clinical Records

arxiv url: http://arxiv.org/abs/2206.03003v1
Date: Tue, 7 Jun 2022 04:35:22 GMT
ステータス: 処理完了
システム内更新日: 2022-06-08 15:27:40.658190
Title: Transformer-based Personalized Attention Mechanism (PersAM) for Medical Images with Clinical Records
Title（参考訳）: 臨床記録を有する医用画像のトランスフォーマーによるパーソナライズドアテンション機構(PersAM)
Authors: Yusuke Takagi, Noriaki Hashimoto, Hiroki Masuda, Hiroaki Miyoshi, Koichi Ohshima, Hidekata Hontani, Ichiro Takeuchi
Abstract要約: パーソナライズ・アテンション・メカニズム(PersAM)という手法を提案する。 PersAM法はトランスフォーマーアーキテクチャの変種を用いて医療画像と臨床記録の関係を符号化する。 PersAM法の有効性を実証するために,842人の悪性リンパ腫患者のサブタイプを同定する大規模デジタル病理問題に適用した。
参考スコア（独自算出の注目度）: 15.993801876346723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In medical image diagnosis, identifying the attention region, i.e., the region of interest for which the diagnosis is made, is an important task. Various methods have been developed to automatically identify target regions from given medical images. However, in actual medical practice, the diagnosis is made based not only on the images but also on a variety of clinical records. This means that pathologists examine medical images with some prior knowledge of the patients and that the attention regions may change depending on the clinical records. In this study, we propose a method called the Personalized Attention Mechanism (PersAM), by which the attention regions in medical images are adaptively changed according to the clinical records. The primary idea of the PersAM method is to encode the relationships between the medical images and clinical records using a variant of Transformer architecture. To demonstrate the effectiveness of the PersAM method, we applied it to a large-scale digital pathology problem of identifying the subtypes of 842 malignant lymphoma patients based on their gigapixel whole slide images and clinical records.
Abstract（参考訳）: 画像診断では、注意領域、すなわち、その診断が行われる関心領域を特定することが重要な課題である。医療画像からターゲット領域を自動的に識別する様々な手法が開発されている。しかし、実際の医療実践においては、診断は画像だけでなく、様々な臨床記録に基づいて行われる。これは、病理学者が患者の事前の知識で医療画像を調べ、臨床記録に応じて注意領域が変化することを意味する。本研究では,医療画像中の注意領域を臨床記録に応じて適応的に変化させる,パーソナライズ・アテンション・メカニズム(persam)と呼ばれる手法を提案する。 PersAM法の主な考え方は、トランスフォーマーアーキテクチャの変種を用いて、医療画像と臨床記録の関係を符号化することである。 PersAM法の有効性を実証するために,842名の悪性リンパ腫患者の画像と臨床記録に基づいて,そのサブタイプを同定する大規模デジタル診断問題に適用した。

関連論文リスト

CBIDR: A novel method for information retrieval combining image and data by means of TOPSIS applied to medical diagnosis [1.8416014644193066]
そこで我々は,患者の医療画像と臨床データの両方を活用するCBIDRという新しい手法を提案し,それらをランキングアルゴリズムToPSISを用いて組み合わせた。精度の面での実験結果は、Top-1で97.44%、Top-5で100%達成し、提案手法の有効性を示した。
論文参考訳（メタデータ） (2024-09-26T16:04:36Z)
FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文参考訳（メタデータ） (2024-07-11T19:12:23Z)
Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法 (HSPI) を考案した。 HSPIは、画像レベルのラベルとニューラルネットワーク分類器(NNC)のみを用いて、解釈可能な疾患の局在を達成できる本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
論文参考訳（メタデータ） (2024-05-23T09:07:21Z)
Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
論文参考訳（メタデータ） (2024-05-02T18:21:25Z)
Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文参考訳（メタデータ） (2023-12-11T02:27:45Z)
A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文参考訳（メタデータ） (2023-06-01T16:23:47Z)
Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文参考訳（メタデータ） (2023-05-09T16:46:33Z)
Calibrate the inter-observer segmentation uncertainty via diagnosis-first principle [45.29954184893812]
本稿では, サーバ間セグメンテーションの不確実性を校正するための基準として, 診断第一原則を提案する。さらに, 原画像からのTake and Give Modelto segment DF-GTを提案する。実験の結果, 提案したDiFFは, 対応する疾患の診断を著しく促進できることがわかった。
論文参考訳（メタデータ） (2022-08-05T07:12:24Z)
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)
Fusing Medical Image Features and Clinical Features with Deep Learning for Computer-Aided Diagnosis [7.99493100852929]
本稿では,MRI/CT画像と臨床情報を融合した新たな深層学習手法を提案する。本研究では,アルツハイマー病診断,軽度認知障害コンバータ予測,肝微小血管浸潤診断への応用について検討した。
論文参考訳（メタデータ） (2021-03-10T03:37:21Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。