論文の概要: Development and Clinical Evaluation of an AI Support Tool for Improving Telemedicine Photo Quality

• arxiv url: http://arxiv.org/abs/2209.09105v1
• Date: Mon, 12 Sep 2022 23:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:12:32.715490
• Title: Development and Clinical Evaluation of an AI Support Tool for Improving Telemedicine Photo Quality
• Title（参考訳）: 遠隔医療用写真品質向上のためのAI支援ツールの開発と臨床評価
• Authors: Kailas Vodrahalli, Justin Ko, Albert S. Chiou, Roberto Novoa, Abubakar Abid, Michelle Phung, Kiana Yekrang, Paige Petrone, James Zou, Roxana Daneshjou
• Abstract要約: TrueImage 2.0は、遠隔医療のための患者の写真品質を評価するためのAIモデルである。 写真品質の改善のために、リアルタイムのフィードバックを提供する。 TrueImage 2.0では、画質の悪い患者を68.0%減らした。
• 参考スコア（独自算出の注目度）: 9.638614577248648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telemedicine utilization was accelerated during the COVID-19 pandemic, and skin conditions were a common use case. However, the quality of photographs sent by patients remains a major limitation. To address this issue, we developed TrueImage 2.0, an artificial intelligence (AI) model for assessing patient photo quality for telemedicine and providing real-time feedback to patients for photo quality improvement. TrueImage 2.0 was trained on 1700 telemedicine images annotated by clinicians for photo quality. On a retrospective dataset of 357 telemedicine images, TrueImage 2.0 effectively identified poor quality images (Receiver operator curve area under the curve (ROC-AUC) =0.78) and the reason for poor quality (Blurry ROC-AUC=0.84, Lighting issues ROC-AUC=0.70). The performance is consistent across age, gender, and skin tone. Next, we assessed whether patient-TrueImage 2.0 interaction led to an improvement in submitted photo quality through a prospective clinical pilot study with 98 patients. TrueImage 2.0 reduced the number of patients with a poor-quality image by 68.0%.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックで遠隔医療の利用が加速し、皮膚の状態が一般的なユースケースとなった。 しかし、患者が送った写真の品質は依然として大きな限界である。 この問題に対処するため,我々は,遠隔医療における患者の写真品質を評価するための人工知能(ai)モデルであるtrueimage 2.0を開発した。 trueimage 2.0は、臨床医が写真品質にアノテートした1700枚の遠隔医療画像に基づいて訓練された。 357枚の遠隔医療画像の振り返りデータセットでTrueImage 2.0は、品質の悪い画像(ROC-AUC =0.78)と品質の悪い理由(Blurry ROC-AUC=0.84, Lighting issue ROC-AUC=0.70)を効果的に同定した。 パフォーマンスは年齢、性別、肌の色で一致します。 次に,98例を対象に臨床実験を行い,患者と画像の相互作用が写真品質の向上に繋がるか否かを検討した。 TrueImage 2.0では、画質の悪い患者を68.0%減らした。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training [0.8287206589886881]
  我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。 得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T23:40:01Z)
• Helping Visually Impaired People Take Better Quality Pictures [52.03016269364854]
  我々は、視覚障害者が共通の技術的歪みの発生を最小限に抑えるためのツールを開発する。 また、ユーザによる品質問題の緩和を支援する、プロトタイプのフィードバックシステムも作成しています。
  論文  参考訳（メタデータ） (2023-05-14T04:37:53Z)
• Explainable Image Quality Assessments in Teledermatological Photography [8.772468575761366]
  画像の質は、皮膚科の相談の成功に欠かせない要素である。 患者が送った画像の最大50%は、品質上の問題がある。 本稿では,画像品質評価装置であるImageQXを紹介する。
  論文  参考訳（メタデータ） (2022-09-10T15:48:28Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• FundusQ-Net: a Regression Quality Assessment Deep Learning Algorithm for Fundus Images Quality Grading [0.0]
  緑内障、糖尿病網膜症、加齢に伴う黄斑変性は、視力障害や視覚障害の主な原因である。 このプロセスの鍵となるステップは、人間のオペレータや機械学習モデルによってこれらが解釈可能であることを確認するために、ベース画像の品質を自動的に見積もることである。 本稿では,この新たな尺度に対して,新たな基礎画像品質尺度とディープラーニング(DL)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T21:01:34Z)
• Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
  知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。 本研究では,変換器を用いた全参照IQAモデルの性能について検討する。 また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:21:08Z)
• Artifact- and content-specific quality assessment for MRI with image rulers [11.551528894727573]
  臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。 画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。 キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-06T02:17:12Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• TrueImage: A Machine Learning Algorithm to Improve the Quality of Telehealth Photos [8.27648210293057]
  写真の品質が特に重要であるテレダーマトロジーに焦点をあてる。 遠隔医療のために、皮膚科医は患者の病変の画像を提出して評価するよう要求する。 これらの画像はしばしば、臨床写真撮影の経験がない患者のために、臨床診断を行うには不十分な品質であることが多い。 画像評価機械学習パイプラインTrueImageを提案し, 画質の悪い皮膚画像を検出し, 患者により良い写真撮影を指導する。
  論文  参考訳（メタデータ） (2020-10-01T17:47:57Z)

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。