論文の概要: In-Vivo Hyperspectral Human Brain Image Database for Brain Cancer Detection

• arxiv url: http://arxiv.org/abs/2402.10776v1
• Date: Fri, 16 Feb 2024 15:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 15:29:17.213975
• Title: In-Vivo Hyperspectral Human Brain Image Database for Brain Cancer Detection
• Title（参考訳）: 脳腫瘍検出のためのin-Vivoハイパースペクトルヒト脳画像データベース
• Authors: H. Fabelo, S. Ortega, A. Szolna, D. Bulters, J.F. Pineiro, S. Kabwama, A. Shanahan, H. Bulstrode, S. Bisshopp, B.R. Kiran, D. Ravi, R. Lazcano, D. Madronal, C. Sosa, C. Espino, M. Marquez, M. De la Luz Plaza, R. Camacho, D. Carrera, M. Hernandez, G.M. Callico, J. Morera, B. Stanciulescu, G.Z. Yang, R. Salvador, E. Juarez, C. Sanz and R. Sarmiento
• Abstract要約: 本論文は欧州プロジェクトHELICoiDの枠組みとして開発されている。 続いて、ヒト脳組織における最初のハイパースペクトルデータベースを生成する方法が提示された。 ハイパースペクトルのデータはすべて、パブリックリポジトリで利用可能になっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of hyperspectral imaging for medical applications is becoming more common in recent years. One of the main obstacles that researchers find when developing hyperspectral algorithms for medical applications is the lack of specific, publicly available, and hyperspectral medical data. The work described in this paper was developed within the framework of the European project HELICoiD (HypErspectraL Imaging Cancer Detection), which had as a main goal the application of hyperspectral imaging to the delineation of brain tumors in real-time during neurosurgical operations. In this paper, the methodology followed to generate the first hyperspectral database of in-vivo human brain tissues is presented. Data was acquired employing a customized hyperspectral acquisition system capable of capturing information in the Visual and Near InfraRed (VNIR) range from 400 to 1000 nm. Repeatability was assessed for the cases where two images of the same scene were captured consecutively. The analysis reveals that the system works more efficiently in the spectral range between 450 and 900 nm. A total of 36 hyperspectral images from 22 different patients were obtained. From these data, more than 300 000 spectral signatures were labeled employing a semi-automatic methodology based on the spectral angle mapper algorithm. Four different classes were defined: normal tissue, tumor tissue, blood vessel, and background elements. All the hyperspectral data has been made available in a public repository.
• Abstract（参考訳）: 近年,医療応用におけるハイパースペクトルイメージングの利用が一般的になりつつある。 医学応用のためのハイパースペクトルアルゴリズムを開発する際に研究者が発見する主な障害の1つは、特定、公開、ハイパースペクトル医療データの欠如である。 本研究は,神経外科手術中における脳腫瘍の非直線化へのハイパースペクトルイメージングの適用を主目的とした欧州プロジェクトHELICoiD (HypErspectraL Imaging Cancer Detection) の枠組み内で開発された。 本稿では,生体内ヒト脳組織の最初のハイパースペクトルデータベースを作成するための手法を提案する。 データは、VNIR(Visual and Near Infra Red)の情報を400nmから1000nmの範囲で取得できる、カスタマイズされたハイパースペクトル取得システムを用いて取得された。 同じシーンの2つの画像を連続的に撮影する場合の再現性を評価した。 解析の結果,450nmから900nmの範囲でより効率的に動作することが判明した。 22例から36例の高スペクトル像が得られた。 これらのデータから,スペクトル角マッパーアルゴリズムに基づく半自動的手法を用いて,300万以上のスペクトルシグネチャをラベル付けした。 正常組織,腫瘍組織,血管,背景因子の4つのクラスが定義された。 ハイパースペクトラルなデータはすべて、パブリックリポジトリで公開されている。

関連論文リスト

• Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
  本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適している。 FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2024-11-03T08:14:31Z)
• A Deep Learning Approach for Brain Tumor Classification and Segmentation Using a Multiscale Convolutional Neural Network [0.0]
  本稿では,Deep Convolutional Neural Networkを用いた完全自動脳腫瘍分割分類モデルを提案する。 腫瘍の分類精度は0.973で, 同一のデータベースを用いた他の手法よりも高い値を示した。
  論文  参考訳（メタデータ） (2024-02-04T17:47:03Z)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• 3D-MIR: A Benchmark and Empirical Study on 3D Medical Image Retrieval in Radiology [6.851500027718433]
  3D画像検索の分野はまだ発展途上であり、確立された評価ベンチマーク、包括的なデータセット、徹底的な研究が欠如している。 本稿では,3次元医用画像検索のための新しいベンチマーク(3D-MIR)を提案する。 このベンチマークを用いて,一般的なマルチモーダル基礎モデルの2次元スライス,3次元ボリューム,マルチモーダル埋め込みをクエリとして利用する,多様な検索戦略を探索する。
  論文  参考訳（メタデータ） (2023-11-23T00:57:35Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
  パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。 データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。 実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-29T13:33:21Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。