論文の概要: What Does DALL-E 2 Know About Radiology?

• arxiv url: http://arxiv.org/abs/2209.13696v1
• Date: Tue, 27 Sep 2022 21:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 16:30:02.659022
• Title: What Does DALL-E 2 Know About Radiology?
• Title（参考訳）: DALL-E 2は放射線学について何を知っているのか?
• Authors: Lisa C. Adams, Felix Busch, Daniel Truhn, Marcus R. Makowski, Hugo JWL. Aerts, Keno K. Bressem
• Abstract要約: DALL-E 2は、画像のゼロショットテキスト・ツー・イメージ生成、画像の元の境界を超えての継続、要素の削除などの観点から、将来性のあるX線画像の関連表現を学習したことを示す。 したがって、これらのモデルをさらに細調整して各領域に適応させる必要が生じたとしても、生成モデルのラジオロジカルデータの増大と生成は実現可能と考えられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models such as DALL-E 2 could represent a promising future tool for image generation, augmentation, and manipulation for artificial intelligence research in radiology provided that these models have sufficient medical domain knowledge. Here we show that DALL-E 2 has learned relevant representations of X-ray images with promising capabilities in terms of zero-shot text-to-image generation of new images, continuation of an image beyond its original boundaries, or removal of elements, while pathology generation or CT, MRI, and ultrasound images are still limited. The use of generative models for augmenting and generating radiological data thus seems feasible, even if further fine-tuning and adaptation of these models to the respective domain is required beforehand.
• Abstract（参考訳）: dall-e 2のような生成モデルは、放射線学における人工知能研究のための画像生成、拡張、操作のための将来の有望なツールであり、これらのモデルには十分な医療領域知識がある。 そこで,DALL-E 2は画像のゼロショットテキスト・画像生成,画像の元々の境界を超えての継続,要素の除去など,将来性のあるX線画像の関連表現を学習し,画像のCT,MRI,超音波画像はいまだに限られていることを示す。 したがって、これらのモデルをさらに細調整して各領域に適応させる必要が生じたとしても、生成モデルのラジオロジカルデータの増大と生成は実現可能と考えられる。

関連論文リスト

• MaSkel: A Model for Human Whole-body X-rays Generation from Human Masking Images [4.477410849696539]
  マスク画像から2次元の人体X線を直接生成することを提案する。 予測された画像は、同じイメージスタイルと解剖学的構造を持つ実際のものに似ている。 高度な生成技術を活用することで、我々のモデルMaSkelは、人間のマスク画像から高品質なX線画像を生成することができる。
  論文  参考訳（メタデータ） (2024-04-13T13:03:19Z)
• XReal: Realistic Anatomy and Pathology-Aware X-ray Generation via Controllable Diffusion Model [0.7381551917607596]
  大規模な生成モデルは、視覚的に魅力的な画像を生成するという印象的な能力を示している。 しかし、彼らは幻覚障害や解剖学的に不正確なアウトプットの発生に悩まされ続けている。 胸部X線画像を生成するための新しい制御可能な拡散モデルであるXRealを提案する。
  論文  参考訳（メタデータ） (2024-03-14T10:03:58Z)
• Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
  本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-08-29T17:44:28Z)
• Radiology-GPT: A Large Language Model for Radiology [74.07944784968372]
  本稿では,ラジオロジーのための大規模言語モデルであるRadiology-GPTを紹介する。 StableLM、Dolly、LLaMAといった一般的な言語モデルと比較して、優れたパフォーマンスを示している。 放射線診断、研究、通信において大きな汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-14T17:57:24Z)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data [0.0]
  人工胸部X線画像作成のための生成モデルの有用性について検討した。 我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。 その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-30T10:36:30Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware CT-Projections from a Single X-ray [14.10611608681131]
  過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。 本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-02T13:25:23Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• XRayGAN: Consistency-preserving Generation of X-ray Images from Radiology Reports [19.360283053558604]
  我々は,X線画像から高精細・高精細・高精細・高精細なX線画像を生成する手法を開発した。 この研究は、放射線学報告から一貫した高解像度のX線画像を生成する最初のものである。
  論文  参考訳（メタデータ） (2020-06-17T05:32:14Z)

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。