論文の概要: Deep embedded clustering algorithm for clustering PACS repositories
- arxiv url: http://arxiv.org/abs/2206.12417v1
- Date: Fri, 24 Jun 2022 05:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 13:09:43.462889
- Title: Deep embedded clustering algorithm for clustering PACS repositories
- Title（参考訳）: PACSリポジトリクラスタリングのための深層クラスタリングアルゴリズム
- Authors: Teo Manojlovi\'c, Matija Milani\v{c}, Ivan \v{S}tajduhar
- Abstract要約: 我々は、ピクセルデータのみを用いた医用画像の完全教師なしクラスタリングの問題に取り組む。
私たちは3万枚の画像でモデルをトレーニングし、8000枚の画像からなる別のテストセットを使ってそれらをテストします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Creating large datasets of medical radiology images from several sources can
be challenging because of the differences in the acquisition and storage
standards. One possible way of controlling and/or assessing the image selection
process is through medical image clustering. This, however, requires an
efficient method for learning latent image representations. In this paper, we
tackle the problem of fully-unsupervised clustering of medical images using
pixel data only. We test the performance of several contemporary approaches,
built on top of a convolutional autoencoder (CAE) - convolutional deep embedded
clustering (CDEC) and convolutional improved deep embedded clustering (CIDEC) -
and three approaches based on preset feature extraction - histogram of oriented
gradients (HOG), local binary pattern (LBP) and principal component analysis
(PCA). CDEC and CIDEC are end-to-end clustering solutions, involving
simultaneous learning of latent representations and clustering assignments,
whereas the remaining approaches rely on k-means clustering from fixed
embeddings. We train the models on 30,000 images, and test them using a
separate test set consisting of 8,000 images. We sampled the data from the PACS
repository archive of the Clinical Hospital Centre Rijeka. For evaluation, we
use silhouette score, homogeneity score and normalised mutual information (NMI)
on two target parameters, closely associated with commonly occurring DICOM tags
- Modality and anatomical region (adjusted BodyPartExamined tag). CIDEC attains
an NMI score of 0.473 with respect to anatomical region, and CDEC attains an
NMI score of 0.645 with respect to the tag Modality - both outperforming other
commonly used feature descriptors.
- Abstract（参考訳）: 医療放射線画像の大規模なデータセットを複数のソースから作成することは、取得と保管基準の違いから困難である。
画像選択プロセスの制御および/または評価の可能な方法は、医用画像クラスタリングである。
しかし、これは遅延画像表現を学習する効率的な方法を必要とする。
本稿では,ピクセルデータのみを用いた医用画像の完全教師なしクラスタリングの問題に取り組む。
畳み込み型自己エンコーダ(CAE)と畳み込み型深層クラスタリング(CDEC)と畳み込み型改良型深層クラスタリング(CIDEC)と,予め設定された特徴抽出に基づく3つのアプローチ(向き勾配のヒストグラム(HOG)、局所二分パターン(LBP)、主成分分析(PCA)を併用して,現代手法の性能を検証した。
CDECとCIDECは、遅延表現とクラスタリングの同時学習を含むエンドツーエンドのクラスタリングソリューションである。
3万枚の画像でモデルをトレーニングし、8,000枚の画像からなる別個のテストセットを使ってテストします。
臨床病院センターrijekaのpacsリポジトリアーカイブからデータを採取した。
評価には,通常発生するDICOMタグ (Modality) と解剖学的領域 (Adjusted BodyPartExamined tag) と密接に関連する2つの目標パラメータに対して,シルエットスコア,均一性スコア,および正規化相互情報(NMI)を用いる。
CIDECは解剖学的領域に対して0.473のNMIスコアを獲得し、CDECはタグのモダリティに関して0.645のNMIスコアを得る。
関連論文リスト
- BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image
Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳（メタデータ） (2024-01-01T10:49:09Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion
Characterization with Large-scale Web Image Mining [5.786726927985774]
我々はGlo-In-Oneツールキットを開発し、一行のコマンドで全体的球状検出、セグメンテーション、キャラクタリゼーションを実現する。
我々は,自己教師型ディープラーニングのアルゴリズム開発を促進するために,3万枚の未ラベルの球面画像の大規模なコレクションをリリースする。
論文 参考訳（メタデータ） (2022-05-31T21:22:10Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - A Spatial Guided Self-supervised Clustering Network for Medical Image
Segmentation [16.448375091671004]
医用画像分割のための空間ガイド型自己監視クラスタリングネットワーク(SGSCN)を提案する。
単一の画像から、各ピクセルの特徴表現とクラスタリングの割り当てをエンドツーエンドで反復的に学習する。
本手法を2つの公開医用画像データセット上で評価し,従来の自己監督型クラスタリング法と比較した。
論文 参考訳（メタデータ） (2021-07-11T00:40:40Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Multiclass Anomaly Detection in GI Endoscopic Images using Optimized
Deep One-class Classification in an Imbalanced Dataset [0.0]
ワイヤレスカプセル内視鏡は、医師が消化管を非侵襲的に検査するのに役立つ。
KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。
本研究では,一類分類器のアンサンブルを用いて異常を検出する。
論文 参考訳（メタデータ） (2021-03-15T16:28:42Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - Y-net: Biomedical Image Segmentation and Clustering [0.0]
医用画像解析のための画像分割を伴う深層クラスタリングアーキテクチャを提案する。
Kmeansクラスタリングを用いたディープクラスタリングはクラスタリングブランチで行われ、セグメンテーションには軽量モデルが使用される。
提案したアーキテクチャは、データセットが大きくなるにつれて非常にコストがかかるため、早期診断を提供し、ラベル付けに対する人間の介入を減らすことができる。
論文 参考訳（メタデータ） (2020-04-12T21:08:31Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。