論文の概要: Sketch-based Medical Image Retrieval

• arxiv url: http://arxiv.org/abs/2303.03633v1
• Date: Tue, 7 Mar 2023 03:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 16:35:59.931242
• Title: Sketch-based Medical Image Retrieval
• Title（参考訳）: スケッチに基づく医用画像検索
• Authors: Kazuma Kobayashi, Lin Gu, Ryuichiro Hataya, Takaaki Mizuno, Mototaka Miyake, Hirokazu Watanabe, Masamichi Takahashi, Yasuyuki Takamizawa, Yukihiro Yoshida, Satoshi Nakamura, Nobuji Kouno, Amina Bolatkan, Yusuke Kurose, Tatsuya Harada, Ryuji Hamamoto
• Abstract要約: 本稿では,スケッチに基づく新しい医用画像検索システムについて紹介する。 医用画像の特徴分解は、医用画像のすべての特徴を分解して、正常な特徴と異常な特徴から再構築することができる。 本システムでは,医療画像の要求に応じて柔軟な画像検索を実現し,医用画像データベースの有用性を拡大する。
• 参考スコア（独自算出の注目度）: 37.009806114204636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The amount of medical images stored in hospitals is increasing faster than ever; however, utilizing the accumulated medical images has been limited. This is because existing content-based medical image retrieval (CBMIR) systems usually require example images to construct query vectors; nevertheless, example images cannot always be prepared. Besides, there can be images with rare characteristics that make it difficult to find similar example images, which we call isolated samples. Here, we introduce a novel sketch-based medical image retrieval (SBMIR) system that enables users to find images of interest without example images. The key idea lies in feature decomposition of medical images, whereby the entire feature of a medical image can be decomposed into and reconstructed from normal and abnormal features. By extending this idea, our SBMIR system provides an easy-to-use two-step graphical user interface: users first select a template image to specify a normal feature and then draw a semantic sketch of the disease on the template image to represent an abnormal feature. Subsequently, it integrates the two kinds of input to construct a query vector and retrieves reference images with the closest reference vectors. Using two datasets, ten healthcare professionals with various clinical backgrounds participated in the user test for evaluation. As a result, our SBMIR system enabled users to overcome previous challenges, including image retrieval based on fine-grained image characteristics, image retrieval without example images, and image retrieval for isolated samples. Our SBMIR system achieves flexible medical image retrieval on demand, thereby expanding the utility of medical image databases.
• Abstract（参考訳）: 病院に保管されている医療画像の量は、これまで以上に急速に増えているが、蓄積された医療画像の利用は限られている。 これは、既存のコンテンツベースの医療画像検索(CBMIR)システムでは、通常、クエリベクトルを構築するためにサンプル画像を必要とするためである。 また、類似のサンプル画像を見つけるのが困難になる稀な特徴を持つ画像も存在し、これを孤立サンプルと呼ぶ。 本稿では,サンプル画像なしで興味ある画像を見つけることのできる,スケッチベースの新しい医用画像検索(SBMIR)システムを提案する。 重要なアイデアは医療画像の特徴分解であり、医療画像の全特徴を通常の特徴と異常な特徴から分解し再構成することができる。 このアイデアを拡張することで、SBMIRシステムは2段階のグラフィカルユーザインタフェースを提供する。ユーザはまず、通常の特徴を指定するためにテンプレートイメージを選択し、その後、異常な特徴を表すためにテンプレートイメージに病気のセマンティックスケッチを描く。 その後、2種類の入力を統合してクエリベクトルを構築し、最も近い参照ベクトルで参照画像を取得する。 2つのデータセットを用いて、様々な臨床背景を持つ10人の医療専門家が評価試験に参加した。 その結果, SBMIRシステムでは, きめ細かい画像の特徴に基づく画像検索, サンプル画像のない画像検索, 孤立サンプルの画像検索など, 過去の課題を克服することができた。 当社のSBMIRシステムは,要求に応じてフレキシブルな医用画像検索を実現し,医用画像データベースの有用性を拡大する。

関連論文リスト

• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Understanding differences in applying DETR to natural and medical images [16.200340490559338]
  トランスフォーマーベースの検出器は、自然画像を用いたコンピュータビジョンタスクで成功している。 医用画像データには、非常に大きな画像サイズ、興味の少ない領域の小さい領域、微妙な違いによってのみ区別できるオブジェクトクラスなど、固有の課題がある。 本研究は, 検診用マンモグラフィーデータセットに適用した場合に, これらのトランスフォーマーに基づく設計選択の適用性を評価するものである。
  論文  参考訳（メタデータ） (2024-05-27T22:06:42Z)
• Benchmarking Pretrained Vision Embeddings for Near- and Duplicate Detection in Medical Images [0.6827423171182154]
  本稿では,2次元コンピュータビジョンの埋め込みを利用した近距離・重複3次元医用画像の同定手法を提案する。 公開されているメディカルデスロンデータセットに基づいて,実験的なベンチマークを生成する。
  論文  参考訳（メタデータ） (2023-12-12T13:52:55Z)
• Few-shot Medical Image Segmentation with Cycle-resemblance Attention [20.986884555902183]
  医用画像セマンティックセグメンテーション分野における注目度は少ない。 本稿では,医療画像分割ネットワークを提案する。 本稿では,クエリと医用画像のサポートのピクセルワイド関係をフル活用するための新しいCRAモジュールを提案する。
  論文  参考訳（メタデータ） (2022-12-07T21:55:26Z)
• Multimorbidity Content-Based Medical Image Retrieval Using Proxies [37.47987844057842]
  本稿では、分類とコンテンツに基づく画像検索の両方に使用できる新しい多ラベルメトリック学習法を提案する。 本モデルは,疾患の存在を予測し,これらの予測の証拠を提供することによって診断を支援することができる。 分類とコンテンツに基づく画像検索へのアプローチの有効性を2つのマルチモービディティー・ラジオロジー・データセットで実証した。
  論文  参考訳（メタデータ） (2022-11-22T11:23:53Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• A Bag of Visual Words Model for Medical Image Retrieval [0.9137554315375919]
  Bag of Visual Words (BoVW) は、ベクトル空間における固有画像の特徴を効果的に表現する技術である。 本稿では、コンテンツに基づく医用画像検索のためのBoVWモデルに基づくMedIRアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-18T16:21:30Z)
• Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
  医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。 MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。 しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
  論文  参考訳（メタデータ） (2020-07-14T23:22:04Z)

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。