論文の概要: Automated computed tomography and magnetic resonance imaging segmentation using deep learning: a beginner's guide

• arxiv url: http://arxiv.org/abs/2304.05901v1
• Date: Wed, 12 Apr 2023 15:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 14:33:16.695688
• Title: Automated computed tomography and magnetic resonance imaging segmentation using deep learning: a beginner's guide
• Title（参考訳）: 深層学習を用いた自動ct・磁気共鳴画像セグメンテーション:初心者ガイド
• Authors: Diedre Carmo, Gustavo Pinheiro, L\'ivia Rodrigues, Thays Abreu, Roberto Lotufo, Let\'icia Rittner
• Abstract要約: 医用画像セグメンテーションは、医用画像処理と分析において、ますます人気のある研究領域である。 本稿では,磁気共鳴とコンピュータトモグラフィを中心に,医用画像の基本概念の概要を述べる。 チュートリアルには公開データを使用したサンプルタスクが含まれており、関連するコードはGitHubで公開されている。
• 参考スコア（独自算出の注目度）: 0.08155575318208629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is an increasingly popular area of research in medical imaging processing and analysis. However, many researchers who are new to the field struggle with basic concepts. This tutorial paper aims to provide an overview of the fundamental concepts of medical imaging, with a focus on Magnetic Resonance and Computerized Tomography. We will also discuss deep learning algorithms, tools, and frameworks used for segmentation tasks, and suggest best practices for method development and image analysis. Our tutorial includes sample tasks using public data, and accompanying code is available on GitHub (https://github.com/MICLab-Unicamp/Medical-ImagingTutorial). By sharing our insights gained from years of experience in the field and learning from relevant literature, we hope to assist researchers in overcoming the initial challenges they may encounter in this exciting and important area of research.
• Abstract（参考訳）: 医用画像セグメンテーションは、医用画像処理と分析において、ますます人気のある研究領域である。 しかし、この分野に新しい研究者の多くは基本的な概念に苦しむ。 本稿では,磁気共鳴とコンピュータトモグラフィに焦点をあて,医用画像の基本概念の概要を述べる。 また、セグメンテーションタスクに使用されるディープラーニングアルゴリズム、ツール、フレームワークについても論じ、メソッド開発と画像解析のベストプラクティスを提案する。 チュートリアルには公開データを使用したサンプルタスクが含まれており、関連するコードはGitHubで公開されている(https://github.com/MICLab-Unicamp/Medical-ImagingTutorial)。 この分野における長年の経験と関連する文献から得た知見を共有することで、このエキサイティングで重要な研究領域で遭遇するであろう最初の課題を克服する研究者を支援したいと考えています。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• A Comparative Analysis of U-Net-based models for Segmentation of Cardiac MRI [0.0]
  本稿では,心臓短軸MRI(Magnetic Resonance Imaging)画像のセマンティックセグメンテーションにおけるディープラーニング手法の適用について検討する。 焦点は、U-Netの派生品である様々なアーキテクチャの実装に焦点を当て、包括的な解剖学的および機能解析のために心臓の特定の部分を効果的に分離することである。
  論文  参考訳（メタデータ） (2024-01-18T13:51:20Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
  我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。 提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
  論文  参考訳（メタデータ） (2023-03-24T09:10:14Z)
• Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation [8.946871799178338]
  本稿では,最近提案された医用画像分割のための半教師あり学習手法について概観する。 既存のアプローチの限界と未解決の問題を分析し,議論する。
  論文  参考訳（メタデータ） (2022-07-28T15:57:46Z)
• Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
  本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。 我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。 オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
  論文  参考訳（メタデータ） (2021-08-15T01:06:26Z)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
  病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。 このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
  論文  参考訳（メタデータ） (2021-02-07T19:12:32Z)
• Deep Learning in Medical Ultrasound Image Segmentation: a Review [9.992387025633805]
  これは、ヒトの組織を3Dで再構成するなど、臨床診断のための信頼性の高い基盤を提供するための重要なステップである。 深層学習に基づく超音波画像セグメンテーション法は,6つの主要群に分類される。 最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2020-02-18T16:33:22Z)
• Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
  イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。 深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
  論文  参考訳（メタデータ） (2020-01-15T21:37:47Z)

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。