論文の概要: HICH Image/Text (HICH-IT): Comprehensive Text and Image Datasets for
Hypertensive Intracerebral Hemorrhage Research
- arxiv url: http://arxiv.org/abs/2401.15934v1
- Date: Mon, 29 Jan 2024 07:44:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 15:37:29.676628
- Title: HICH Image/Text (HICH-IT): Comprehensive Text and Image Datasets for
Hypertensive Intracerebral Hemorrhage Research
- Title（参考訳）: HICH-IT : 高血圧性脳内出血研究のための総合的テキストと画像データセット
- Authors: Jie Li and Yulong Xia and Tongxin Yang and Fenglin Cai and Miao Wei
and Zhiwei Zhang and Li Jiang
- Abstract要約: このデータセットは、HICHの診断と治療における人工知能の精度を高めるように設計されている。
データセットをさらに理解するために、私たちは、パフォーマンスを観察するためにディープラーニングアルゴリズムを訓練しました。
- 参考スコア（独自算出の注目度）: 12.479936404475803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a new multimodal dataset in the medical field of
hypertensive intracerebral hemorrhage(HICH), called as HICH-IT, which includes
both textual information and head CT images. This dataset is designed to
enhance the accuracy of artificial intelligence in the diagnosis and treatment
of HICH. This dataset, built upon the foundation of standard text and image
data, incorporates specific annotations within the text data, extracting key
content from the text information, and categorizes the annotation content of
imaging data into four types: brain midline, hematoma, left cerebral ventricle,
and right cerebral ventricle. HICH-IT aims to be a foundational dataset for
feature learning in image segmentation tasks and named entity recognition. To
further understand the dataset, we have trained deep learning algorithms to
observe the performance. The pretrained models have been released at both
www.daip.club and github.com/Deep-AI-Application-DAIP. The dataset has been
uploaded to https://github.com/CYBUS123456/HICH-IT-Datasets.
Index Terms-HICH, Deep learning, Intraparenchymal hemorrhage, named entity
recognition, novel dataset
- Abstract（参考訳）: 本稿では,hich-itと呼ばれる高血圧性脳出血(hich)の医学領域において,テキスト情報と頭部ct画像の両方を含む新しいマルチモーダルデータセットを提案する。
このデータセットは、hichの診断と治療における人工知能の精度を高めるように設計されている。
このデータセットは、標準のテキストと画像データの基礎の上に構築され、テキストデータに特定のアノテーションを組み込んで、テキスト情報からキーコンテンツを取り出し、画像データのアノテーション内容は、脳中線、血腫、左脳室、右脳室の4種類に分類される。
HICH-ITは、画像セグメンテーションタスクと名前付きエンティティ認識における特徴学習のための基礎的データセットである。
データセットをさらに理解するために、私たちは、パフォーマンスを観察するためにディープラーニングアルゴリズムを訓練しました。
事前訓練されたモデルはwww.daip.clubとgithub.com/Deep-AI-Application-DAIPの両方でリリースされた。
データセットはhttps://github.com/CYBUS123456/HICH-IT-Datasetsにアップロードされている。
Index Terms-HICH, Deep Learning, intraparenchymal hemorrhage, named entity recognition, novel dataset
関連論文リスト
- Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳（メタデータ） (2024-04-27T05:03:42Z) - TBI Image/Text (TBI-IT): Comprehensive Text and Image Datasets for Traumatic Brain Injury Research [11.098732957191748]
TBI-ITは外傷性脳損傷(TBI)の医学領域における新しいデータセットである
電子カルテ(EMR)と頭部CT画像の両方を含んでいる。
このデータセットは、TBIの診断と治療における人工知能の精度を高めるように設計されている。
論文 参考訳（メタデータ） (2024-03-14T03:07:49Z) - DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum [15.382184404673389]
この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
論文 参考訳（メタデータ） (2023-07-01T12:30:58Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data
Augmentation [42.034896915716374]
本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。
スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。
次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-02-07T06:34:10Z) - PharmKE: Knowledge Extraction Platform for Pharmaceutical Texts using
Transfer Learning [0.0]
PharmKEは、医薬品のセマンティック分析を徹底するために、いくつかの段階を通じてディープラーニングを適用するテキスト分析プラットフォームです。
この方法論は、正確なラベル付きトレーニングとテストデータセットの作成に使用され、カスタムエンティティラベリングタスクのモデルトレーニングに使用されます。
得られた結果は、同じデータセットで訓練された微調整BERTおよびBioBERTモデルと比較されます。
論文 参考訳（メタデータ） (2021-02-25T19:36:35Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning [18.163031102785904]
IntrAというオープンアクセス型3次元頭蓋内動脈瘤データセットを導入し、ポイントベースおよびメッシュベース分類とセグメンテーションモデルの適用を可能にした。
本データセットは頭蓋内動脈瘤の診断に有用であり, 頸部を摘出し, クリッピング術を施行した。
論文 参考訳（メタデータ） (2020-03-02T05:21:53Z)
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。