Fugu-MT 論文翻訳(概要): Breast Lesion Diagnosis Using Static Images and Dynamic Video

論文の概要: Breast Lesion Diagnosis Using Static Images and Dynamic Video

arxiv url: http://arxiv.org/abs/2308.09980v1
Date: Sat, 19 Aug 2023 11:09:58 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 18:40:00.940183
Title: Breast Lesion Diagnosis Using Static Images and Dynamic Video
Title（参考訳）: 静的画像とダイナミックビデオを用いた乳腺病変診断
Authors: Yunwen Huang, Hongyu Hu, Ying Zhu, Yi Xu
Abstract要約: 放射線技師の診断過程を模倣するマルチモーダル乳腺腫瘍診断モデルを提案する。本研究は,897枚の超音波画像とビデオからなる乳房超音波データセットを用いて検証した。
参考スコア（独自算出の注目度）: 12.71602984461284
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning based Computer Aided Diagnosis (CAD) systems have been developed to treat breast ultrasound. Most of them focus on a single ultrasound imaging modality, either using representative static images or the dynamic video of a real-time scan. In fact, these two image modalities are complementary for lesion diagnosis. Dynamic videos provide detailed three-dimensional information about the lesion, while static images capture the typical sections of the lesion. In this work, we propose a multi-modality breast tumor diagnosis model to imitate the diagnosing process of radiologists, which learns the features of both static images and dynamic video and explores the potential relationship between the two modalities. Considering that static images are carefully selected by professional radiologists, we propose to aggregate dynamic video features under the guidance of domain knowledge from static images before fusing multi-modality features. Our work is validated on a breast ultrasound dataset composed of 897 sets of ultrasound images and videos. Experimental results show that our model boosts the performance of Benign/Malignant classification, achieving 90.0% in AUC and 81.7% in accuracy.
Abstract（参考訳）: 乳房超音波治療のための深層学習型コンピュータ支援診断システム (cad) が開発されている。その多くは、代表的静止画像またはリアルタイムスキャンのダイナミックビデオを使用して、単一の超音波イメージングモードに焦点を当てている。実際、この2つの画像は病変の診断に相補的である。ダイナミックビデオは病変に関する詳細な3次元情報を提供し、静的画像は病変の典型的な部分をキャプチャする。本研究では,静止画像とダイナミックビデオの双方の特徴を学習し,両形態間の潜在的な関係を探究する放射線科医の診断過程を模倣するマルチモダリティ乳腺腫瘍診断モデルを提案する。静的な画像はプロの放射線技師によって慎重に選択されるので,静的な画像からドメイン知識の誘導の下で動的ビデオの特徴を集約し,マルチモーダルな特徴を融合させる。本研究は897枚の超音波画像とビデオからなる乳房超音波データセットで検証した。実験の結果,本モデルは良性/悪性度分類の性能を高め,aucで90.0%,精度で81.7%に達した。

関連論文リスト

Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文参考訳（メタデータ） (2024-11-25T13:40:11Z)
Uterine Ultrasound Image Captioning Using Deep Learning Techniques [0.0]
本稿では,深層学習を用いた医用画像キャプションについて検討し,特に子宮内超音波画像に焦点を当てた。我々の研究は、タイムリーで正確な診断を行う医療専門家を支援することを目的としており、最終的には患者ケアの改善に寄与する。
論文参考訳（メタデータ） (2024-11-21T11:41:42Z)
Breast tumor classification based on self-supervised contrastive learning from ultrasound videos [7.825379326219145]
我々は,胸部超音波ビデオクリップから表現を学習するために,トリプルトネットワークと自己教師付きコントラスト学習手法を採用した。本モデルでは,受信機動作特性曲線 (AUC) の0.952の領域を達成した。提案フレームワークはラベル付きデータに対する需要を大幅に減らし,乳房超音波画像の自動診断に活用する可能性を秘めている。
論文参考訳（メタデータ） (2024-08-20T07:16:01Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
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)
XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文参考訳（メタデータ） (2023-06-13T17:59:59Z)
Using Spatio-Temporal Dual-Stream Network with Self-Supervised Learning for Lung Tumor Classification on Radial Probe Endobronchial Ultrasound Video [0.0]
肺がんの生検の過程で、医師はリアルタイム超音波画像を使用して、サンプリングに適した病変を見つける。これまでの研究では良性肺病変と悪性肺病変を効果的に区別するために2D畳み込みニューラルネットワークを用いてきた。本研究では,3次元ニューラルネットワークに基づく自動診断システムを設計する。
論文参考訳（メタデータ） (2023-05-04T10:39:37Z)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
論文参考訳（メタデータ） (2022-01-04T18:27:04Z)
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)
Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images [3.3615086420912745]
良性および悪性乳癌を分類するためのアンサンブル移動学習モデルを提案する。このモデルは、AlexNetとResNetモデルのセマンティック機能を組み合わせ、悪性腫瘍から良性を分類します。実験結果から, このアンサンブルモデルでは感度88.89%, 特異性91.10%が得られた。
論文参考訳（メタデータ） (2021-02-17T04:23:30Z)

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。