論文の概要: One Copy Is All You Need: Resource-Efficient Streaming of Medical Imaging Data at Scale

• arxiv url: http://arxiv.org/abs/2307.00438v1
• Date: Sat, 1 Jul 2023 23:20:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 16:03:11.518005
• Title: One Copy Is All You Need: Resource-Efficient Streaming of Medical Imaging Data at Scale
• Title（参考訳）: 医用画像データの大規模ストリーミングにはリソース効率が良い
• Authors: Pranav Kulkarni, Adway Kanhere, Eliot Siegel, Paul H. Yi, Vishwa S. Parekh
• Abstract要約: MISTは、単一の高解像度コピーから複数の解像度で医療画像をストリーミングするためのプログレッシブ解像度を運用するオープンソースのフレームワークである。 我々は,MISTが医療画像のホスティング・ストリーミングにおいて,画像基盤の非効率性を90%削減できることを実証した。
• 参考スコア（独自算出の注目度）: 3.3598755777055374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale medical imaging datasets have accelerated development of artificial intelligence tools for clinical decision support. However, the large size of these datasets is a bottleneck for users with limited storage and bandwidth. Many users may not even require such large datasets as AI models are often trained on lower resolution images. If users could directly download at their desired resolution, storage and bandwidth requirements would significantly decrease. However, it is impossible to anticipate every users' requirements and impractical to store the data at multiple resolutions. What if we could store images at a single resolution but send them at different ones? We propose MIST, an open-source framework to operationalize progressive resolution for streaming medical images at multiple resolutions from a single high-resolution copy. We demonstrate that MIST can dramatically reduce imaging infrastructure inefficiencies for hosting and streaming medical images by >90%, while maintaining diagnostic quality for deep learning applications.
• Abstract（参考訳）: 大規模医療画像データセットは、臨床診断支援のための人工知能ツールの開発を加速している。 しかし、これらのデータセットの大きなサイズは、ストレージと帯域幅に制限のあるユーザにとってボトルネックとなる。 AIモデルは低解像度の画像でしばしば訓練されるため、多くのユーザはそのような大規模なデータセットを必要としないかもしれない。 もしユーザーが望む解像度で直接ダウンロードできれば、ストレージと帯域幅の要件は大幅に減少する。 しかし、すべてのユーザの要求を予想することは不可能であり、複数の解像度でデータを保存できない。 画像を単一の解像度で保存し、異なる解像度で送信できるとしたらどうだろう? 医用画像のプログレッシブ解像度を高解像度コピーで複数解像度で操作するオープンソースのフレームワークであるMISTを提案する。 MISTは、深層学習アプリケーションの診断品質を維持しつつ、医療画像のホスティングとストリーミングのインフラストラクチャ非効率を90%以上削減できることを示した。

関連論文リスト

• Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
  Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。 従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。 MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
  論文  参考訳（メタデータ） (2024-11-26T02:23:31Z)
• Recurrent Multi-scale Transformer for High-Resolution Salient Object Detection [68.65338791283298]
  Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。 従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。 本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
  論文  参考訳（メタデータ） (2023-08-07T17:49:04Z)
• Advanced Medical Image Representation for Efficient Processing and Transfer in Multisite Clouds [0.6091702876917281]
  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。
  論文  参考訳（メタデータ） (2023-04-29T18:09:17Z)
• ResFormer: Scaling ViTs with Multi-Resolution Training [100.01406895070693]
  私たちはResFormerを紹介します。ResFormerは、広く、ほとんど目に見えない、テストの解像度でパフォーマンスを改善するフレームワークです。 特にResFormerは、異なる解像度の再現されたイメージを実行し、さまざまなスケールでインタラクティブな情報をエンゲージするスケール一貫性の損失を強制する。 さらに、ResFormerは柔軟性があり、セマンティックセグメンテーション、オブジェクト検出、ビデオアクション認識に容易に拡張できることを示す。
  論文  参考訳（メタデータ） (2022-12-01T18:57:20Z)
• Hard-Attention for Scalable Image Classification [16.8359205877213]
  マルチスケールハードアテンションは,この問題に対して有効な解決法であることを示す。 トップダウン方式で画像ピラミッドを横断する新しいアーキテクチャであるTNetを提案する。 本モデルでは,画像レベルのラベルのみを境界ボックスなしで使用しながら,高解像度コンテンツのごく一部にのみ対応できることが示される。
  論文  参考訳（メタデータ） (2021-02-20T00:21:28Z)
• 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)
• Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images [0.15092198588928965]
  GAN(Generative Adversarial Network)は大規模な3次元医療画像にはほとんど適用されない。 本研究は、未ペアドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。 ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。
  論文  参考訳（メタデータ） (2020-10-06T08:43:27Z)
• 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)
• Anysize GAN: A solution to the image-warping problem [5.866114531330298]
  本稿では,Deep Learningにおける共通問題を解決するために,GAN(General Adversarial Network)の新たなタイプを提案する。 我々は,既存の潜在ベクトルベースGAN構造に適用可能な新しいアーキテクチャを開発し,任意のサイズのオンザフライ画像を生成する。 提案手法は,特徴的関係を維持しつつ,空間的関係の保存と理解を行なわずに,異なる大きさの現実的な画像を生成することを実証する。
  論文  参考訳（メタデータ） (2020-03-06T14:18:42Z)
• Learning When and Where to Zoom with Deep Reinforcement Learning [101.79271767464947]
  そこで本稿では,高解像度のデータをペアで,安価で低解像度の画像に対していつ,どこで使用・取得するかを識別する強化学習手法を提案する。 我々は、CIFAR10、CIFAR100、ImageNet、fMoWデータセット上で実験を行い、全高解像度画像を使用するモデルと同等の精度を維持しながら、非常に少ない高解像度データを使用する。
  論文  参考訳（メタデータ） (2020-03-01T07:16:46Z)

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。