論文の概要: Medical Image Deidentification, Cleaning and Compression Using Pylogik
- arxiv url: http://arxiv.org/abs/2304.12322v5
- Date: Wed, 10 May 2023 13:55:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 16:20:46.178290
- Title: Medical Image Deidentification, Cleaning and Compression Using Pylogik
- Title（参考訳）: Pylogik を用いた医用画像の識別・洗浄・圧縮
- Authors: Adrienne Kline, Vinesh Appadurai, Yuan Luo, Sanjiv Shah
- Abstract要約: PyLogikは、医療画像メタデータのクリーニング、非識別、ROIの決定、ファイル圧縮のためのライブラリである。
結果は、PyLogikがデータのクリーニングと非識別、ROIの決定、ファイル圧縮のための実行可能な方法論であることを示している。
パイプラインの変数は、他の医療画像データタイプで使用するためにも作成されている。
- 参考スコア（独自算出の注目度）: 4.515386176265859
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Leveraging medical record information in the era of big data and machine
learning comes with the caveat that data must be cleaned and de-identified.
Facilitating data sharing and harmonization for multi-center collaborations are
particularly difficult when protected health information (PHI) is contained or
embedded in image meta-data. We propose a novel library in the Python
framework, called PyLogik, to help alleviate this issue for ultrasound images,
which are particularly challenging because of the frequent inclusion of PHI
directly on the images. PyLogik processes the image volumes through a series of
text detection/extraction, filtering, thresholding, morphological and contour
comparisons. This methodology de-identifies the images, reduces file sizes, and
prepares image volumes for applications in deep learning and data sharing. To
evaluate its effectiveness in processing ultrasound data, a random sample of 50
cardiac ultrasounds (echocardiograms) were processed through PyLogik, and the
outputs were compared with the manual segmentations by an expert user. The Dice
coefficient of the two approaches achieved an average value of 0.976. Next, an
investigation was conducted to ascertain the degree of information compression
achieved using the algorithm. Resultant data was found to be on average ~72%
smaller after processing by PyLogik. Our results suggest that PyLogik is a
viable methodology for data cleaning and de-identification, determining ROI,
and file compression which will facilitate efficient storage, use, and
dissemination of ultrasound data. Variants of the pipeline have also been
created for use with other medical imaging data types.
- Abstract（参考訳）: ビッグデータと機械学習の時代における医療記録情報を活用するには、データがきれいにされ、特定されなければならないという注意が必要だ。
保護された健康情報(PHI)が画像メタデータに含まれる場合,多施設連携のためのデータ共有と調和は特に困難である。
我々は,pylogikと呼ばれるpythonフレームワークの新しいライブラリを提案し,超音波画像に対するこの問題を軽減する。
PyLogikは、一連のテキスト検出/抽出、フィルタリング、しきい値、形態と輪郭の比較を通じて画像ボリュームを処理する。
この手法は、画像の識別を解除し、ファイルサイズを減らし、ディープラーニングおよびデータ共有アプリケーションのための画像ボリュームを作成する。
超音波データ処理におけるその有効性を評価するため,PyLogikを用いて50個の心エコー(心エコー)のランダムサンプルを処理し,専門家による手動セグメンテーションと比較した。
2つのアプローチのDice係数は0.976の平均値を達成した。
次に,アルゴリズムを用いて得られた情報圧縮の程度を確認するために調査を行った。
結果、pylogikによる処理後、平均で72%小さくなることがわかった。
以上の結果から,pylogikはデータクリーニング,非同定,roi決定,ファイル圧縮の有効な手法であり,超音波データの効率的な保存,使用,普及が容易であることが示唆された。
パイプラインの変種は、他の医療画像データタイプと併用するためにも作成されている。
関連論文リスト
- Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。
DenseNetは複雑な医療画像の特徴抽出に適している。
FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
論文 参考訳（メタデータ） (2024-11-03T08:14:31Z) - Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection [0.19116784879310028]
超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。
これにより、画像の特徴を抽出、認識、分析することがより困難になる。
研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
論文 参考訳（メタデータ） (2024-03-05T08:08:59Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Deep data compression for approximate ultrasonic image formation [1.0266286487433585]
超音波イメージングシステムでは、別のコンピュータ装置でデータ取得と画像形成を行う。
ディープニューラルネットワークは、特定の画像形成方法の画質を維持するために最適化されている。
論文 参考訳（メタデータ） (2020-09-04T16:43:12Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳（メタデータ） (2020-04-16T21:06:49Z) - Weakly Supervised Context Encoder using DICOM metadata in Ultrasound
Imaging [7.370841471918351]
超音波画像からのDICOMメタデータを利用して、超音波画像の表現を学習する。
提案手法は,ダウンストリームタスク間の非メタッタ方式よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-03-20T02:17:03Z) - TorchIO: A Python library for efficient loading, preprocessing,
augmentation and patch-based sampling of medical images in deep learning [68.8204255655161]
我々はTorchIOというオープンソースのPythonライブラリを紹介し、ディープラーニングのための医療画像の効率的なロード、前処理、拡張、パッチベースのサンプリングを可能にする。
TorchIOはPyTorchのスタイルに従い、標準的な医用画像処理ライブラリを統合して、ニューラルネットワークのトレーニング中に画像を効率的に処理する。
Pythonを使わずに、画像ファイルに変換を適用できるコマンドラインインターフェースが含まれている。
論文 参考訳（メタデータ） (2020-03-09T13:36:16Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。