論文の概要: Generative AI for Medical Imaging: extending the MONAI Framework
- arxiv url: http://arxiv.org/abs/2307.15208v1
- Date: Thu, 27 Jul 2023 21:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 14:10:36.409093
- Title: Generative AI for Medical Imaging: extending the MONAI Framework
- Title（参考訳）: 医療イメージングのためのジェネレーティブAI:monAIフレームワークの拡張
- Authors: Walter H. L. Pinaya, Mark S. Graham, Eric Kerfoot, Petru-Daniel
Tudosiu, Jessica Dafflon, Virginia Fernandez, Pedro Sanchez, Julia Wolleb,
Pedro F. da Costa, Ashay Patel, Hyungjin Chung, Can Zhao, Wei Peng, Zelong
Liu, Xueyan Mei, Oeslle Lucena, Jong Chul Ye, Sotirios A. Tsaftaris, Prerna
Dogra, Andrew Feng, Marc Modat, Parashkev Nachev, Sebastien Ourselin, M.
Jorge Cardoso
- Abstract要約: 我々は、研究者や開発者が生成モデルを簡単に訓練し、評価し、デプロイできるオープンソースプラットフォームであるMONAI Generative Modelsを紹介します。
我々のプラットフォームは、異なるアーキテクチャを含む標準化された方法で最先端の研究を再現します。
我々はこれらのモデルを一般化可能な方法で実装し、その結果を2次元または3次元のシナリオに拡張できることを示した。
- 参考スコア（独自算出の注目度）: 29.152928147704507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in generative AI have brought incredible breakthroughs in
several areas, including medical imaging. These generative models have
tremendous potential not only to help safely share medical data via synthetic
datasets but also to perform an array of diverse applications, such as anomaly
detection, image-to-image translation, denoising, and MRI reconstruction.
However, due to the complexity of these models, their implementation and
reproducibility can be difficult. This complexity can hinder progress, act as a
use barrier, and dissuade the comparison of new methods with existing works. In
this study, we present MONAI Generative Models, a freely available open-source
platform that allows researchers and developers to easily train, evaluate, and
deploy generative models and related applications. Our platform reproduces
state-of-art studies in a standardised way involving different architectures
(such as diffusion models, autoregressive transformers, and GANs), and provides
pre-trained models for the community. We have implemented these models in a
generalisable fashion, illustrating that their results can be extended to 2D or
3D scenarios, including medical images with different modalities (like CT, MRI,
and X-Ray data) and from different anatomical areas. Finally, we adopt a
modular and extensible approach, ensuring long-term maintainability and the
extension of current applications for future features.
- Abstract（参考訳）: 生成AIの最近の進歩は、医療画像などいくつかの分野で驚くべきブレークスルーをもたらしている。
これらの生成モデルは、合成データセットを介して医療データを安全に共有するだけでなく、異常検出、画像から画像への変換、デノナイジング、MRI再構成など、さまざまな応用を行うためにも役立つ。
しかし、これらのモデルの複雑さのため、それらの実装と再現性は困難である。
この複雑さは進歩を妨げ、使用障壁として機能し、新しいメソッドと既存のメソッドの比較を無効にする。
本研究では,研究者や開発者が容易に生成モデルと関連アプリケーションを訓練,評価,デプロイできる,無償で利用可能なオープンソースプラットフォームであるmonai generative modelsを提案する。
我々のプラットフォームは、異なるアーキテクチャ(拡散モデル、自己回帰変換器、GANなど)を含む標準化された方法で最先端の研究を再現し、コミュニティのために事前訓練されたモデルを提供する。
我々は、これらのモデルを汎用的に実装し、その結果を2dまたは3dのシナリオに拡張できることを示し、異なるモード(ct、mri、x線データなど)と異なる解剖学的領域を含む医療画像を含む。
最後に、モジュール化された拡張可能なアプローチを採用し、長期の保守性と将来の機能に対する現在のアプリケーションの拡張を確保します。
関連論文リスト
- Computation-Efficient Era: A Comprehensive Survey of State Space Models in Medical Image Analysis [8.115549269867403]
状態空間モデル(SSM)は、最近、シーケンシャルなモデリングと視覚的表現学習において大きな関心を集めている。
コンピュータービジョンの進歩に乗じて、医療画像はMambaモデルによる新しい時代を告げた。
論文 参考訳（メタデータ） (2024-06-05T16:29:03Z) - OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models
in Medicine [55.29668193415034]
マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。
これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。
様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
論文 参考訳（メタデータ） (2024-02-28T03:51:02Z) - A 3D generative model of pathological multi-modal MR images and
segmentations [3.4806591877889375]
脳MRIと関連セグメンテーションのための3次元生成モデルである脳SPADE3Dを提案する。
提案した共同画像分割生成モデルを用いて,高忠実度合成画像と関連するセグメンテーションを生成する。
データに予期せぬ病理が存在する場合、セグメント化モデルの性能に関する問題をモデルが緩和する方法を実証する。
論文 参考訳（メタデータ） (2023-11-08T09:36:37Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - medigan: A Python Library of Pretrained Generative Models for Enriched
Data Access in Medical Imaging [3.8568465270960264]
mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。
研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。
ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
論文 参考訳（メタデータ） (2022-09-28T23:45:33Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - A Learnable Variational Model for Joint Multimodal MRI Reconstruction
and Synthesis [4.056490719080639]
マルチモーダルMRIの関節再構成と合成のための新しいディープラーニングモデルを提案する。
本モデルの出力は、ソースのモダリティの再構成画像と、ターゲットのモダリティで合成された高品質な画像を含む。
論文 参考訳（メタデータ） (2022-04-08T01:35:19Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - CheXstray: Real-time Multi-Modal Data Concordance for Drift Detection in
Medical Imaging AI [1.359138408203412]
医用画像AIドリフトモニタリングワークフローを構築してテストし、同時代の地上真実なしにデータとモデルドリフトを追跡する。
主な貢献は,(1)VAEおよび領域特異的統計手法を含む医用画像ドリフト検出のための概念実証である。
この研究は、動的医療環境における継続的医療画像AIモデルモニタリングに関連する翻訳ギャップに対処するために重要な意味を持つ。
論文 参考訳（メタデータ） (2022-02-06T18:58:35Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z)
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。