論文の概要: SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments

• arxiv url: http://arxiv.org/abs/2206.06127v1
• Date: Mon, 13 Jun 2022 13:08:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 14:56:23.275843
• Title: SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In Silico Experiments
• Title（参考訳）: SyntheX: サイコ実験による学習ベースのX線画像解析のスケールアップ
• Authors: Cong Gao, Benjamin D. Killeen, Yicheng Hu, Robert B. Grupp, Russell H. Taylor, Mehran Armand, Mathias Unberath
• Abstract要約: 人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。 人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
• 参考スコア（独自算出の注目度）: 12.019996672009375
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) now enables automated interpretation of medical images for clinical use. However, AI's potential use for interventional images (versus those involved in triage or diagnosis), such as for guidance during surgery, remains largely untapped. This is because surgical AI systems are currently trained using post hoc analysis of data collected during live surgeries, which has fundamental and practical limitations, including ethical considerations, expense, scalability, data integrity, and a lack of ground truth. Here, we demonstrate that creating realistic simulated images from human models is a viable alternative and complement to large-scale in situ data collection. We show that training AI image analysis models on realistically synthesized data, combined with contemporary domain generalization or adaptation techniques, results in models that on real data perform comparably to models trained on a precisely matched real data training set. Because synthetic generation of training data from human-based models scales easily, we find that our model transfer paradigm for X-ray image analysis, which we refer to as SyntheX, can even outperform real data-trained models due to the effectiveness of training on a larger dataset. We demonstrate the potential of SyntheX on three clinical tasks: Hip image analysis, surgical robotic tool detection, and COVID-19 lung lesion segmentation. SyntheX provides an opportunity to drastically accelerate the conception, design, and evaluation of intelligent systems for X-ray-based medicine. In addition, simulated image environments provide the opportunity to test novel instrumentation, design complementary surgical approaches, and envision novel techniques that improve outcomes, save time, or mitigate human error, freed from the ethical and practical considerations of live human data collection.
• Abstract（参考訳）: 人工知能(AI)は、医療用画像の自動解釈を可能にする。 しかし、手術中のガイダンスなどの介入画像(トリアージや診断に関わるもの)に対するAIの潜在的な使用は、ほとんど未解決のままである。 これは現在、外科的AIシステムは、倫理的考慮、費用、スケーラビリティ、データの完全性、基礎的真実の欠如など、基本的なおよび実践的な制限があるライブ手術中に収集されたデータのポストホック分析を使用して訓練されているためである。 本稿では,人間のモデルから現実的なシミュレーション画像を作成することは,大規模な実地データ収集を補完する有効な代替手段であることを示す。 本研究は,ai画像解析モデルと現代ドメイン一般化や適応手法を組み合わせることで,実データ上でのモデルと正確に一致する実データ学習セットで学習されたモデルとを両立させることができることを示す。 人間ベースのモデルからのトレーニングデータの合成生成は、容易にスケールできるため、synthexと呼ばれるx線画像解析のモデル転送パラダイムは、より大きなデータセットでのトレーニングの有効性により、実際のデータトレーニングモデルよりも優れています。 われわれはSyntheXの3つの臨床課題について, ヒップ画像解析, 手術用ロボットツール検出, および COVID-19 肺病変のセグメンテーションの3つの可能性を示した。 SyntheXは、X線治療のためのインテリジェントシステムの概念、設計、評価を劇的に加速する機会を提供する。 加えて、シミュレーションされた画像環境は、新しい計測方法のテスト、補完的な手術アプローチの設計、そして人間のデータ収集の倫理的かつ実践的な考察から解放された、成果を改善し、時間を節約し、ヒューマンエラーを緩和する新しい手法を想定する機会を提供する。

関連論文リスト

• Towards Virtual Clinical Trials of Radiology AI with Conditional Generative Modeling [10.014130930114172]
  本稿では,放射線学AIの仮想臨床試験(VCT)のために設計された条件付き生成AIモデルを紹介する。 画像と解剖学的構造の関節分布を学習することにより,実世界の患者集団の正確な再現を可能にした。 我々は,合成CTを用いたVCTを用いた放射線学AIモデルの有意義な評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T15:53:52Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• SimuScope: Realistic Endoscopic Synthetic Dataset Generation through Surgical Simulation and Diffusion Models [1.28795255913358]
  そこで本研究では,最新のCASシステムに必要なアノテーションをすべて自動生成する,本格的な手術シミュレータを提案する。 手術器具と変形可能な解剖学的環境の間の力学を含む、より複雑で現実的な外科的相互作用のシミュレーションを提供する。 安定拡散と低ランク適応に基づく軽量でフレキシブルな画像から画像への変換法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T09:49:43Z)
• Embryo 2.0: Merging Synthetic and Real Data for Advanced AI Predictions [69.07284335967019]
  2つのデータセットを使用して、2つの生成モデルをトレーニングします。 2-cell, 4-cell, 8-cell, morula, blastocyst など, 様々な細胞で合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Leveraging Computational Pathology AI for Noninvasive Optical Imaging Analysis Without Retraining [3.6835809728620634]
  非侵襲的な光学画像モダリティは、患者の組織を3Dでプローブし、時間とともに、サンプルごとに臨床的に関係のあるデータをギガバイト生成する。 このデータを分析し、臨床ワークフローを支援するために、AIモデルが必要である。 本稿では,リトレーニングなしで計算病理から任意のAIモデルを適用する手法であるFoundationShiftを紹介する。
  論文  参考訳（メタデータ） (2024-11-18T14:35:01Z)
• Realistic Surgical Image Dataset Generation Based On 3D Gaussian Splatting [3.5351922399745166]
  本研究は, 合成外科用データセットを生成するために3次元ガウススプラッティングを用いた新しい手法を提案する。 手術現場でツールやカメラのポーズとともに画像を取得することのできるデータ記録システムを開発した。 このポーズデータを用いて、シーンを合成的に再現し、合成画像の品質を直接比較できるようにする。
  論文  参考訳（メタデータ） (2024-07-20T11:20:07Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• SYNTA: A novel approach for deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data [2.1616289178832666]
  我々は,合成,フォトリアリスティック,高度に複雑なバイオメディカルイメージをトレーニングデータとして生成するための新しいアプローチとして,Synta(synthetic data)を紹介した。 手動のアノテーションを必要とせずに、以前に見つからなかった実世界のデータに対して、堅牢で専門家レベルのセグメンテーションタスクを実行することが可能であることを実証した。
  論文  参考訳（メタデータ） (2022-07-29T12:50:32Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)

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。