論文の概要: Synthetic Tumor Manipulation: With Radiomics Features
- arxiv url: http://arxiv.org/abs/2311.02586v1
- Date: Sun, 5 Nov 2023 08:07:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:54:03.385029
- Title: Synthetic Tumor Manipulation: With Radiomics Features
- Title（参考訳）: 合成腫瘍マニピュレーション : 放射線学的特徴
- Authors: Inye Na, Jonghun Kim, Hyunjin Park
- Abstract要約: RadiomicsFillは、放射能の特徴を前提とした合成腫瘍発生装置である。
本モデルは, 生成的対向ネットワーク, 放射能特徴条件付け, マルチタスク学習を組み合わせたモデルである。
- 参考スコア（独自算出の注目度）: 3.6852491526879687
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce RadiomicsFill, a synthetic tumor generator conditioned on
radiomics features, enabling detailed control and individual manipulation of
tumor subregions. This conditioning leverages conventional high-dimensional
features of the tumor (i.e., radiomics features) and thus is biologically
well-grounded. Our model combines generative adversarial networks,
radiomics-feature conditioning, and multi-task learning. Through experiments
with glioma patients, RadiomicsFill demonstrated its capability to generate
diverse, realistic tumors and its fine-tuning ability for specific radiomics
features like 'Pixel Surface' and 'Shape Sphericity'. The ability of
RadiomicsFill to generate an unlimited number of realistic synthetic tumors
offers notable prospects for both advancing medical imaging research and
potential clinical applications.
- Abstract（参考訳）: 放射線学的特徴を前提とした人工腫瘍発生装置であるRadiomicsFillを導入し,腫瘍部分領域の詳細な制御と個別の操作を可能にする。
このコンディショニングは、従来の腫瘍の高次元的特徴(すなわち、放射線学的特徴)を活用し、生物学的に良好な位置にある。
本モデルでは,生成型adversarial network,radiomics-feature conditioning,マルチタスク学習を組み合わせる。
グリオーマ患者の実験を通じて、RadiomicsFillは多様な現実的な腫瘍を発生させる能力と、「Pixel Surface」や「Shape Sphericity」のような特定の放射能の特徴を微調整する能力を示した。
RadiomicsFillが無数のリアルな合成腫瘍を生成できる能力は、医療画像研究の進歩と臨床応用の可能性の両方に注目に値する。
関連論文リスト
- Analyzing Tumors by Synthesis [11.942932753828854]
腫瘍合成は、腫瘍検出とセグメンテーションのためのAIトレーニングを支援するために、医療画像に多数の腫瘍例を生成する。
この章では、実データと合成データに関するAI開発についてレビューする。
ケーススタディによると、合成腫瘍で訓練されたAIは、実際のデータで訓練されたAIに匹敵する、あるいはそれ以上のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2024-09-09T19:51:44Z) - RadiomicsFill-Mammo: Synthetic Mammogram Mass Manipulation with Radiomics Features [3.0015555136149175]
そこで,RadiomicsFill-Mammoは,特定の放射能特性を反映した現実的なマンモグラム質量像を生成する革新的な技術である。
その結果,RadiomicsFill-Mammoは様々な放射線条件に基づいて,多彩で現実的な腫瘍像を効果的に生成できることが示唆された。
論文 参考訳（メタデータ） (2024-07-08T07:33:52Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-08-29T17:44:28Z) - Radiology-GPT: A Large Language Model for Radiology [74.07944784968372]
本稿では,ラジオロジーのための大規模言語モデルであるRadiology-GPTを紹介する。
StableLM、Dolly、LLaMAといった一般的な言語モデルと比較して、優れたパフォーマンスを示している。
放射線診断、研究、通信において大きな汎用性を示す。
論文 参考訳（メタデータ） (2023-06-14T17:57:24Z) - Label-Free Liver Tumor Segmentation [10.851067782021902]
我々は, 合成腫瘍をCTスキャンで使用することにより, 手動によるアノテーションを必要とせずに, 肝腫瘍を正確に分類できることを示した。
私たちの合成腫瘍には、現実的な形状とテクスチャという、2つの興味深い利点があります。
私たちの合成腫瘍は、小さな(あるいは小さな)合成腫瘍の多くの例を自動的に生成することができます。
論文 参考訳（メタデータ） (2023-03-27T01:22:12Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - Diffusion-Weighted Magnetic Resonance Brain Images Generation with
Generative Adversarial Networks and Variational Autoencoders: A Comparison
Study [55.78588835407174]
本研究では,高画質,多彩で現実的な拡散重み付き磁気共鳴画像が深部生成モデルを用いて合成可能であることを示す。
Introspective Variational AutoencoderとStyle-Based GANの2つのネットワークを医療分野におけるデータ拡張の資格として提示する。
論文 参考訳（メタデータ） (2020-06-24T18:00:01Z)
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。