論文の概要: ComplexWoundDB: A Database for Automatic Complex Wound Tissue Categorization

• arxiv url: http://arxiv.org/abs/2209.12822v1
• Date: Mon, 26 Sep 2022 16:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 15:40:55.348677
• Title: ComplexWoundDB: A Database for Automatic Complex Wound Tissue Categorization
• Title（参考訳）: ComplexWoundDB: 複雑な組織の自動分類のためのデータベース
• Authors: Talita A. Pereira, Regina C. Popim, Leandro A. Passos, Danillo R. Pereira, Clayton R. Pereira, Jo\~ao P. Papa
• Abstract要約: 本論文は, 難治領域, 顆粒化, フィブリノイド組織, ドライ壊死, 血腫の5つのカテゴリーで, 複雑な創傷を自動的に分類するデータベースを提案する。 ComplexWoundDBと呼ばれるこのデータセットは、野生で得られた27ドルの画像からピクセルレベルの分類、すなわち4人の健康専門家によってラベル付けされた画像が患者の家で収集されるため、ユニークなものである。
• 参考スコア（独自算出の注目度）: 0.5079840826943619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex wounds usually face partial or total loss of skin thickness, healing by secondary intention. They can be acute or chronic, figuring infections, ischemia and tissue necrosis, and association with systemic diseases. Research institutes around the globe report countless cases, ending up in a severe public health problem, for they involve human resources (e.g., physicians and health care professionals) and negatively impact life quality. This paper presents a new database for automatically categorizing complex wounds with five categories, i.e., non-wound area, granulation, fibrinoid tissue, and dry necrosis, hematoma. The images comprise different scenarios with complex wounds caused by pressure, vascular ulcers, diabetes, burn, and complications after surgical interventions. The dataset, called ComplexWoundDB, is unique because it figures pixel-level classifications from $27$ images obtained in the wild, i.e., images are collected at the patients' homes, labeled by four health professionals. Further experiments with distinct machine learning techniques evidence the challenges in addressing the problem of computer-aided complex wound tissue categorization. The manuscript sheds light on future directions in the area, with a detailed comparison among other databased widely used in the literature.
• Abstract（参考訳）: 複雑な傷は通常、部分的または全体的な皮膚厚の喪失に直面し、二次的な意図で治癒する。 急性または慢性であり、感染症、虚血、組織壊死、全身疾患と関連がある。 世界中の研究機関は、人的資源(例えば、医師や医療専門家)にかかわる深刻な公衆衛生問題に終止符を打つ無数のケースを報告し、生命の質に悪影響を及ぼす。 本論文は, 難治領域, 顆粒化, フィブリノイド組織, ドライ壊死, 血腫の5つのカテゴリーで, 複雑な創傷を自動的に分類するデータベースを提案する。 画像は, 圧, 血管潰瘍, 糖尿病, 熱傷, 合併症などの合併症を主訴に, 複雑な創傷を呈するシナリオが異なっていた。 ComplexWoundDBと呼ばれるこのデータセットは、野生で得られた27ドルの画像からピクセルレベルの分類、すなわち4人の健康専門家によってラベル付けされた画像が患者の家で収集されるため、ユニークなものである。 異なる機械学習技術を用いたさらなる実験は、コンピュータ支援の複雑な創傷組織分類の問題に対処する上での課題を証明している。 この写本は地域の今後の方向性に光を当てており、文献で広く使われている他のデータベースとの詳細な比較もされている。

関連論文リスト

• PathInsight: Instruction Tuning of Multimodal Datasets and Models for Intelligence Assisted Diagnosis in Histopathology [7.87900104748629]
  6つの異なるタスクをカバーする約45,000のケースのデータセットを慎重にコンパイルしました。 特にLLaVA, Qwen-VL, InternLMを微調整したマルチモーダル大規模モデルで, このデータセットを用いて命令ベースの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-13T17:05:06Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
  異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。 医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。 本稿では,比較を統一したベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-06T06:18:11Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights and Post-Processing with Autoencoders [10.59457299493644]
  本稿では,医用画像セグメンテーションに適した深層学習手法を提案する。 提案手法は,U-Netでは平均12.26%,U-Net++では12.04%,皮膚筋炎データセットではResNetファミリーのエンコーダでは平均12.26%,最先端技術では12.04%に優れていた。
  論文  参考訳（メタデータ） (2023-08-21T06:09:00Z)
• A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
  皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。 画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。 天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
  論文  参考訳（メタデータ） (2022-06-01T09:43:10Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• Hierarchical Knowledge Guided Learning for Real-world Retinal Diseases Recognition [20.88407972858568]
  眼科AIで最近発表されたいくつかのデータセットは、40種類以上の網膜疾患からなり、複雑な異常と様々な致死性がある。 モデリングの観点からは、これらのデータセットでトレーニングされたほとんどのディープラーニングモデルは、まれな疾患に一般化する能力に欠ける可能性がある。 本稿では,網膜疾患認識のための長期データベースから深部ニューラルネットワークを学習するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T05:44:39Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。