論文の概要: Advanced Medical Image Representation for Efficient Processing and Transfer in Multisite Clouds

• arxiv url: http://arxiv.org/abs/2305.15411v1
• Date: Sat, 29 Apr 2023 18:09:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 04:40:15.600971
• Title: Advanced Medical Image Representation for Efficient Processing and Transfer in Multisite Clouds
• Title（参考訳）: 多地点雲の効率的な処理・転送のための高度医用画像表現
• Authors: Elena-Simona Apostol and Ciprian-Octavian Truic\u{a}
• Abstract要約: 医療機関の人間の脳データベースは、年間数十テラバイトのデータを蓄積することができる。 医用画像に保持される情報を改善する複数のデータ構造に基づく新しい医用画像フォーマット表現を提案する。
• 参考スコア（独自算出の注目度）: 0.6091702876917281
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: An important topic in medical research is the process of improving the images obtained from medical devices. As a consequence, there is also a need to improve medical image resolution and analysis. Another issue in this field is the large amount of stored medical data [16]. Human brain databases at medical institutes, for example, can accumulate tens of Terabytes of data per year. In this paper, we propose a novel medical image format representation based on multiple data structures that improve the information maintained in the medical images. The new representation keeps additional metadata information, such as the image class or tags for the objects found in the image. We defined our own ontology to help us classify the objects found in medical images using a multilayer neural network. As we generally deal with large data sets, we used the MapReduce paradigm in the Cloud environment to speed up the image processing. To optimize the transfer between Cloud nodes and to reduce the preprocessing time, we also propose a data compression method based on deduplication. We test our solution for image representation and efficient data transfer in a multisite cloud environment. Our proposed solution optimizes the data transfer with a time improvement of 27% on average.
• Abstract（参考訳）: 医学研究における重要なトピックは、医療機器から得られる画像を改善するプロセスである。 結果として、医療画像の解像度と分析を改善する必要もある。 この分野でのもう一つの問題は、大量の保存された医療データ[16]である。 例えば医療機関の人間の脳データベースは、年間数十テラバイトのデータを蓄積することができる。 本稿では,医療画像に保持される情報を改善するために,複数のデータ構造に基づく新しい医用画像形式表現を提案する。 新しい表現は、画像に見つかったオブジェクトのイメージクラスやタグなど、追加のメタデータ情報を保持する。 我々は,多層ニューラルネットワークを用いて医用画像中の物体を分類するために,独自のオントロジーを定義した。 一般的に大規模なデータセットを扱うため、クラウド環境でmapreduceパラダイムを使用して画像処理をスピードアップしました。 クラウドノード間の転送を最適化し,前処理時間を短縮するために,復号化に基づくデータ圧縮手法を提案する。 マルチサイトクラウド環境で画像表現と効率的なデータ転送のためのソリューションをテストします。 提案手法では,平均27%の時間改善でデータ転送を最適化する。

関連論文リスト

• TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
  医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。 医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。 我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
  論文  参考訳（メタデータ） (2024-10-01T18:22:34Z)
• MoCo-Transfer: Investigating out-of-distribution contrastive learning for limited-data domains [52.612507614610244]
  我々は、モーメントコントラスト(MoCo)プレトレーニングからデータ制限のある設定への自己教師付きコントラスト表現の転送の利点を分析する。 ラベル付きおよびラベルなしデータの量によっては、より大きなアウト・オブ・ディストリビューションデータセットでの対照的な事前トレーニングは、ドメイン内でのMoCoの事前トレーニングよりも、ほぼ同等か、あるいはそれ以上のパフォーマンスが期待できる。
  論文  参考訳（メタデータ） (2023-11-15T21:56:47Z)
• Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing [38.65823547986758]
  医療データセットの大規模、保存された深層畳み込みニューラルネットワーク(DCNN)モデルの膨大なメモリ、患者のプライバシ保護は、非効率な医療データ共有につながる問題である。 本研究では,医療データ共有のための新しいソフトラベルデータセット蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T08:52:04Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Pyramid Medical Transformer for Medical Image Segmentation [8.157373686645318]
  ピラミッド型ネットワークアーキテクチャ(PMTrans)を用いたマルチスケールアテンションとCNN特徴抽出を統合した新しい手法を開発した。 2つの医用画像データセット(腺セグメンテーションとMoNuSegデータセット)の実験結果によると、PMTransは最新のCNNベースおよびトランスフォーマーベースの医療用画像セグメンテーションモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-29T23:57:20Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)
• 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)
• Discriminative Cross-Modal Data Augmentation for Medical Imaging Applications [24.06277026586584]
  深層学習法は医用画像解析において大きな成功を収めており、訓練には多くの医用画像が必要である。 データプライバシの懸念と医療アノテータの有効性のため、モデルトレーニングのためにラベル付き医療画像を得るのは非常に困難であることが多い。 本稿では,画像のソースモダリティを目標モダリティに変換する画像対画像変換モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-07T15:07:00Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。