論文の概要: Quantitative Imaging Principles Improves Medical Image Learning
- arxiv url: http://arxiv.org/abs/2206.06663v1
- Date: Tue, 14 Jun 2022 07:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 01:56:39.175642
- Title: Quantitative Imaging Principles Improves Medical Image Learning
- Title（参考訳）: 定量的イメージング原理による医用画像学習の改善
- Authors: Lambert T. Leong, Michael C. Wong, Yannik Glaser, Thomas Wolfgruber,
Steven B. Heymsfield, Peter Sadwoski, John A. Shepherd
- Abstract要約: 我々は、画像品質と定量的生物学的精度を向上させるために、生成SSL中に定量的イメージング原理を取り入れることを提案する。
また,臨床定量的解析ソフトウェアを用いた画像も生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Fundamental differences between natural and medical images have recently
favored the use of self-supervised learning (SSL) over ImageNet transfer
learning for medical image applications. Differences between image types are
primarily due to the imaging modality and medical images utilize a wide range
of physics based techniques while natural images are captured using only
visible light. While many have demonstrated that SSL on medical images has
resulted in better downstream task performance, our work suggests that more
performance can be gained. The scientific principles which are used to acquire
medical images are not often considered when constructing learning problems.
For this reason, we propose incorporating quantitative imaging principles
during generative SSL to improve image quality and quantitative biological
accuracy. We show that this training schema results in better starting states
for downstream supervised training on limited data. Our model also generates
images that validate on clinical quantitative analysis software.
- Abstract（参考訳）: 自然画像と医用画像の基本的な違いは、医用画像アプリケーションにおけるイメージネット転送学習よりも自己教師付き学習(SSL)を好んでいる。
画像タイプの違いは、主に画像のモダリティによるものであり、医用画像は様々な物理ベースの技術を用いており、自然画像は可視光のみを使用して撮影される。
医療画像上のsslがダウンストリームのタスクパフォーマンスの向上に繋がることを示した人は多いが、我々の研究はパフォーマンスの向上を示唆している。
医学画像を取得するために用いられる科学的原則は、学習問題を構築する際にはあまり考慮されない。
そこで本稿では,画像品質と定量的生物学的精度を向上させるために,生成sslにおける定量的イメージング原理の導入を提案する。
このトレーニングスキーマにより、限られたデータに対する下流教師ありトレーニングの開始状態が改善されることを示す。
また,臨床定量的解析ソフトウェアを用いた画像も生成する。
関連論文リスト
- Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳（メタデータ） (2023-10-16T18:59:31Z) - Enhancing Network Initialization for Medical AI Models Using
Large-Scale, Unlabeled Natural Images [1.883452979588382]
自己教師付き学習(SSL)は胸部X線写真に適用して、堅牢な特徴を学習することができる。
我々は6つの大規模なグローバルデータセットから800,000個の胸部X線写真を用いてアプローチを検証した。
論文 参考訳（メタデータ） (2023-08-15T10:37:13Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Revisiting Hidden Representations in Transfer Learning for Medical
Imaging [2.4545492329339815]
7つの医学分類課題について,ImageNetとRadImageNetを比較した。
その結果,ImageNetとRadImageNetは直感とは対照的に,異なる中間表現に収束する可能性が示唆された。
その結果, ネットワーク間の微調整前後の類似性は, 性能向上と相関しないことがわかった。
論文 参考訳（メタデータ） (2023-02-16T13:04:59Z) - Learning to Exploit Temporal Structure for Biomedical Vision-Language
Processing [53.89917396428747]
視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。
トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。
我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
論文 参考訳（メタデータ） (2023-01-11T16:35:33Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - A Systematic Benchmarking Analysis of Transfer Learning for Medical
Image Analysis [7.339428207644444]
我々は,最新の大規模きめ細かいデータセットであるiNat2021で事前訓練されたモデルの転送可能性について,系統的研究を行った。
本稿では,医用画像上のイメージネットモデルを継続的に(事前学習)することにより,自然画像と医用画像の領域ギャップを埋める実践的アプローチを提案する。
論文 参考訳（メタデータ） (2021-08-12T19:08:34Z) - Supervised Transfer Learning at Scale for Medical Imaging [8.341246672632582]
現代的手法が医療画像の転送学習の運命を変えることができるかどうかを検討する。
Kolesnikovらによって提示された大規模な事前訓練されたネットワークのクラスを研究します。
3つの多様なイメージングタスクで
自然画像から医用画像へ移行する性質のいくつかは、実際には極めて有効であるが、十分な規模で実行された場合にのみ有効である。
論文 参考訳（メタデータ） (2021-01-14T23:55:49Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Contrastive Learning of Medical Visual Representations from Paired
Images and Text [38.91117443316013]
本研究では,自然発生した記述的ペアリングテキストを活用することで,医用視覚表現を学習するための教師なし戦略であるConVIRTを提案する。
この2つのモダリティ間の双方向のコントラスト的目的を通じて、ペア化されたテキストデータを用いて医療画像エンコーダを事前訓練する手法は、ドメインに依存しないため、追加の専門家による入力は不要である。
論文 参考訳（メタデータ） (2020-10-02T02:10:18Z)
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。