論文の概要: Diagnosis-oriented Medical Image Compression with Efficient Transfer
Learning
- arxiv url: http://arxiv.org/abs/2310.13250v1
- Date: Fri, 20 Oct 2023 03:15:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 00:35:58.994675
- Title: Diagnosis-oriented Medical Image Compression with Efficient Transfer
Learning
- Title(参考訳): 効率的な転送学習による診断指向医用画像圧縮
- Authors: Guangqi Xie, Xin Li, Xiaohan Pan, Zhibo Chen
- Abstract要約: 本稿では,医療シナリオを対象とした特別な意味的圧縮タスクである診断指向の医用画像圧縮を提案する。
本研究では,診断指向の医用画像圧縮のための第1の効率的な転写学習アノテーションであるDMICを提案する。
実験の結果,我々のDMICはHEVCアンカーに比べて47.54%BD-Rate貯蓄が可能であった。
- 参考スコア(独自算出の注目度): 14.194618076689107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote medical diagnosis has emerged as a critical and indispensable
technique in practical medical systems, where medical data are required to be
efficiently compressed and transmitted for diagnosis by either professional
doctors or intelligent diagnosis devices. In this process, a large amount of
redundant content irrelevant to the diagnosis is subjected to high-fidelity
coding, leading to unnecessary transmission costs. To mitigate this, we propose
diagnosis-oriented medical image compression, a special semantic compression
task designed for medical scenarios, targeting to reduce the compression cost
without compromising the diagnosis accuracy. However, collecting sufficient
medical data to optimize such a compression system is significantly expensive
and challenging due to privacy issues and the lack of professional annotation.
In this study, we propose DMIC, the first efficient transfer learning-based
codec, for diagnosis-oriented medical image compression, which can be
effectively optimized with only few-shot annotated medical examples, by reusing
the knowledge in the existing reinforcement learning-based task-driven semantic
coding framework, i.e., HRLVSC [1]. Concretely, we focus on tuning only the
partial parameters of the policy network for bit allocation within HRLVSC,
which enables it to adapt to the medical images. In this work, we validate our
DMIC with the typical medical task, Coronary Artery Segmentation. Extensive
experiments have demonstrated that our DMIC can achieve 47.594%BD-Rate savings
compared to the HEVC anchor, by tuning only the A2C module (2.7% parameters) of
the policy network with only 1 medical sample.
- Abstract(参考訳): 遠隔医療診断は,専門医や知的診断装置による診断のために,医療データを効率よく圧縮し,伝達する必要がある医療システムにおいて,重要かつ必要不可欠な技術として現れてきた。
この過程では、診断と無関係な大量の冗長コンテンツが高忠実な符号化を受け、不要な伝送コストが発生する。
そこで本研究では,医療シナリオを想定した特別な意味的圧縮タスクである診断指向の医用画像圧縮を提案し,診断精度を損なうことなく圧縮コストを低減させる。
しかし,このような圧縮システムを最適化するための十分な医療データ収集は,プライバシの問題や専門的アノテーションの欠如により非常に高価で困難である。
本研究では,従来の強化学習型タスク駆動型セマンティックコーディングフレームワークであるHRLVSC [1] の知識を再利用することにより,診断指向の医用画像圧縮のための第1の効率的なトランスファーラーニングベースコーデックであるDMICを提案する。
具体的には、HRLVSC内のビット割り当てのためのポリシーネットワークの部分パラメータのみをチューニングすることに集中し、医療画像への適応を可能にする。
本研究は,典型的な医療課題である冠動脈セグメンテーションによるDMICの検証である。
政策ネットワークのA2Cモジュール(2.7%のパラメータ)のみを1つの医療サンプルで調整することで、HEVCアンカーと比較して、我々のDMICは47.594%BD-Rate節約を達成できることを示した。
関連論文リスト
- Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳(メタデータ) (2024-10-31T19:48:50Z) - CBIDR: A novel method for information retrieval combining image and data by means of TOPSIS applied to medical diagnosis [1.8416014644193066]
そこで我々は,患者の医療画像と臨床データの両方を活用するCBIDRという新しい手法を提案し,それらをランキングアルゴリズムToPSISを用いて組み合わせた。
精度の面での実験結果は、Top-1で97.44%、Top-5で100%達成し、提案手法の有効性を示した。
論文 参考訳(メタデータ) (2024-09-26T16:04:36Z) - FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。
FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文 参考訳(メタデータ) (2024-08-17T15:18:56Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T13:44:55Z) - Two-Stage Deep Learning Framework for Quality Assessment of Left Atrial
Late Gadolinium Enhanced MRI Images [0.22585387137796725]
LGE-MRI画像の自動診断品質評価のための2段階のディープラーニング手法を提案する。
本発明の方法は、関連する領域にフォーカスする左心房検出器と、診断品質を評価するディープネットワークとを含む。
論文 参考訳(メタデータ) (2023-10-13T01:27:36Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-06T16:30:43Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。