Fugu-MT 論文翻訳(概要): MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images

論文の概要: MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images

arxiv url: http://arxiv.org/abs/2301.03701v1
Date: Mon, 9 Jan 2023 22:15:18 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 17:49:21.964571
Title: MOC-AE: An Anatomically-Pathological-Based model for Clinical Decision Support System of tumoural brain images
Title（参考訳）: MOC-AE : 臨床診断支援システムの解剖学的解析
Authors: Guillermo Iglesias, Edgar Talavera, Alberto D\'iaz-\'Alvarez, Miguel Grac\'ia-Remesal
Abstract要約: MOC-AEのアーキテクチャは、オートエンコーダ(AE)を用いてスキャンした患者の解剖情報と、同一の画像記述子を用いた分類出力を用いた特定の病理関連情報とを結合する。提案アルゴリズムは, 推奨症例の解剖学的特徴と腫瘍的特徴の両方の観点から, 最先端の結果が得られることを示す。
参考スコア（独自算出の注目度）: 0.20646127669654826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The present work proposes a Multi-Output Classification Autoencoder (MOC-AE) algorithm to extract features from brain tumour images. The proposed algorithm is able to focus on both the normal features of the patient and the pathological features present in the case, resulting in a compact and significant representation of each image. The architecture of MOC-AE combines anatomical information from the patients scan using an Autoencoder (AE) with information related to a specific pathology using a classification output with the same image descriptor. This combination of goals forces the network to maintain a balance between anatomical and pathological features of the case while maintaining the low cost of the labels being used. The results obtained are compared with those of similar studies and the strengths and limitations of each approach are discussed. The results demonstrate that the proposed algorithm is capable of achieving state-of-the-art results in terms of both the anatomical and tumor characteristics of the recommended cases.
Abstract（参考訳）: 本研究では,脳腫瘍画像から特徴を抽出するマルチアウトプット分類オートエンコーダ(moc-ae)アルゴリズムを提案する。提案するアルゴリズムは,患者の正常な特徴と症例に存在する病理学的特徴の両方に焦点を合わせることができ,各画像のコンパクトかつ有意な表現が可能となる。 MOC-AEのアーキテクチャは、オートエンコーダ(AE)を用いてスキャンした患者の解剖情報と、同一の画像記述子を用いた分類出力を用いた特定の病理関連情報とを結合する。この目標の組み合わせによって、ネットワークは、使用中のラベルの低コストを維持しながら、ケースの解剖学的特徴と病理学的特徴のバランスを維持することができる。その結果, 同様の研究結果と比較し, それぞれのアプローチの強さと限界について考察した。その結果,提案アルゴリズムは,推奨症例の解剖学的特徴と腫瘍的特徴の両面から,最先端の結果が得られることを示した。

関連論文リスト

Detection of Vascular Leukoencephalopathy in CT Images [0.0]
本研究は,脳小血管疾患であるロイコ脳症の診断におけるAIの役割について検討した。約1200名のX線CT患者のデータセットを用いて,2次疾患分類のための畳み込みニューラルネットワーク(CNN)を訓練した。
論文参考訳（メタデータ） (2025-01-16T22:21:00Z)
Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文参考訳（メタデータ） (2024-10-31T19:48:50Z)
Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
医用イメージングに適した説明可能なAI手法を開発した。我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
論文参考訳（メタデータ） (2024-09-20T15:43:26Z)
A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文参考訳（メタデータ） (2024-05-21T06:44:40Z)
Evaluating Explanatory Capabilities of Machine Learning Models in Medical Diagnostics: A Human-in-the-Loop Approach [0.0]
我々は、膵癌治療の確立に関係するさまざまな特徴の重要性を確立するために、Human-in-the-Loop関連技術と医療ガイドラインをドメイン知識の源泉として使用しています。本稿では,説明結果の解釈を容易にするため,重み付きジャカード類似度係数などの類似度尺度を提案する。
論文参考訳（メタデータ） (2024-03-28T20:11:34Z)
Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文参考訳（メタデータ） (2023-11-18T14:37:53Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文参考訳（メタデータ） (2023-08-29T14:33:38Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Deep and Statistical Learning in Biomedical Imaging: State of the Art in 3D MRI Brain Tumor Segmentation [1.7403133838762446]
脳画像研究における主要な統計・深層学習モデルとその応用を批判的にレビューする。その結果、モデル駆動の古典統計とデータ駆動のディープラーニングは、臨床腫瘍学における自動化システムを開発するための強力な組み合わせであることを強調した。
論文参考訳（メタデータ） (2021-03-09T16:15:47Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。