論文の概要: The stochastic digital human is now enrolling for in silico imaging
trials -- Methods and tools for generating digital cohorts
- arxiv url: http://arxiv.org/abs/2301.08719v1
- Date: Fri, 20 Jan 2023 18:31:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 12:43:44.554798
- Title: The stochastic digital human is now enrolling for in silico imaging
trials -- Methods and tools for generating digital cohorts
- Title(参考訳): 確率的デジタル人間は現在、シリコイメージングのトライアルに登録されている -- デジタルコホートを生成する方法とツール
- Authors: A Badano, M Lago, E Sizikova, JG Delfino, S Guan, MA Anastasio and B
Sahiner
- Abstract要約: サイリコ・イメージング・トライアル(英: silico imaging trial)は、医療機器の性能を確認するための計算研究である。
新しい技術を評価するためのサイリコ試験の利点は、かなりの資源と時間の節約である。
サイリコ試験を行うには、人間のデジタル表現が必要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Randomized clinical trials, while often viewed as the highest evidentiary bar
by which to judge the quality of a medical intervention, are far from perfect.
In silico imaging trials are computational studies that seek to ascertain the
performance of a medical device by collecting this information entirely via
computer simulations. The benefits of in silico trials for evaluating new
technology include significant resource and time savings, minimization of
subject risk, the ability to study devices that are not achievable in the
physical world, allow for the rapid and effective investigation of new
technologies and ensure representation from all relevant subgroups. To conduct
in silico trials, digital representations of humans are needed. We review the
latest developments in methods and tools for obtaining digital humans for in
silico imaging studies. First, we introduce terminology and a classification of
digital human models. Second, we survey available methodologies for generating
digital humans with healthy and diseased status and examine briefly the role of
augmentation methods. Finally, we discuss the trade-offs of four approaches for
sampling digital cohorts and the associated potential for study bias with
selecting specific patient distributions.
- Abstract(参考訳): ランダム化された臨床試験は、しばしば医療介入の質を判断する最高の立証法と見なされるが、完璧には程遠い。
サイリコイメージングの臨床試験では、この情報をコンピュータシミュレーションによって完全に収集し、医療機器の性能を確認することを目的とした計算研究が行なわれている。
新たな技術を評価するためのin silicoトライアルの利点には、重要なリソースと時間の節約、対象リスクの最小化、物理的世界で実現不可能なデバイスの研究能力、新技術の迅速かつ効果的な調査、関連するすべてのサブグループからの表現の確保が含まれる。
シリコの試験を行うには、人間のデジタル表現が必要である。
シリコンイメージング研究におけるデジタル人間獲得手法とツールの開発状況について概説する。
まず,デジタル・ヒューマン・モデルの用語と分類について述べる。
第2に,健常者および病弱者におけるデジタル人間生成の方法を調査し,拡張法の役割を簡潔に検討した。
最後に、デジタルコホートをサンプリングする4つのアプローチのトレードオフと、特定の患者分布を選択する際の学習バイアスの関連可能性について論じる。
関連論文リスト
- Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳(メタデータ) (2024-03-13T16:05:18Z) - Training Small Multimodal Models to Bridge Biomedical Competency Gap: A
Case Study in Radiology Imaging [114.43429928419755]
バイオメディカル・コンピテンシー・ギャップを橋渡しするオープンソース小型マルチモーダル・モデル(SMM)の訓練について検討する。
LLaVA-Radは高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - A No-Reference Quality Assessment Method for Digital Human Head [56.17852258306602]
我々は、デジタルヒューマン品質評価(DHQA)を扱うトランスフォーマーに基づく新しいノリフレクション(NR)手法を開発した。
具体的には、デジタル人間の前方2次元投影を入力として描画し、特徴抽出に視覚変換器(ViT)を用いる。
次に,歪み型を共同分類し,デジタル人間の知覚品質レベルを予測するマルチタスクモジュールを設計する。
論文 参考訳(メタデータ) (2023-10-25T16:01:05Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In
Silico Experiments [12.019996672009375]
人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。
人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
論文 参考訳(メタデータ) (2022-06-13T13:08:41Z) - Generative Aging of Brain Images with Diffeomorphic Registration [3.645542167239258]
脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。
本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
論文 参考訳(メタデータ) (2022-05-31T08:37:24Z) - PosePipe: Open-Source Human Pose Estimation Pipeline for Clinical
Research [0.0]
我々は臨床現場で取得したデータに対して最先端のアルゴリズムの実行を容易にする人間のポーズ推定パイプラインを開発する。
本研究の目的は,新しいアルゴリズムの訓練ではなく,臨床・翻訳研究における最先端のポーズ推定アルゴリズムの活用を推し進めることである。
論文 参考訳(メタデータ) (2022-03-16T17:54:37Z) - Deep Learning for Computational Cytology: A Survey [12.08083533402352]
完全教師付き,弱教師付き,教師なし,伝達学習など,さまざまなディープラーニング手法を導入する。
そこで我々は,公開データセット,評価指標,分類,検出,セグメンテーション,その他の関連タスクを含む多種多様な細胞画像解析アプリケーションを体系的に要約した。
論文 参考訳(メタデータ) (2022-02-10T16:22:10Z) - Computer-Assisted Analysis of Biomedical Images [1.0116577992023341]
本論文は, バイオメディカル画像解析のための新しい, 先進的なコンピュータ支援手法を提案することを目的とする。
これらの研究の最終的な目標は、臨床および生物学的に有用な知見を得て、鑑別診断と治療を導くことである。
論文 参考訳(メタデータ) (2021-06-04T21:59:48Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳(メタデータ) (2020-10-14T16:34:21Z) - 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。