論文の概要: Training-free image style alignment for self-adapting domain shift on handheld ultrasound devices

• arxiv url: http://arxiv.org/abs/2402.11211v1
• Date: Sat, 17 Feb 2024 07:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 22:35:38.269684
• Title: Training-free image style alignment for self-adapting domain shift on handheld ultrasound devices
• Title（参考訳）: ハンドヘルド超音波デバイスにおける自己適応領域シフトのための訓練不要な画像スタイルアライメント
• Authors: Hongye Zeng, Ke Zou, Zhihao Chen, Yuchong Gao, Hongbo Chen, Haibin Zhang, Kang Zhou, Meng Wang, Rick Siow Mong Goh, Yong Liu, Chang Jiang, Rui Zheng, Huazhu Fu
• Abstract要約: 本稿では,ハンドヘルドデバイスデータのスタイルを標準デバイスと整合させるための,トレーニングフリーなイメージスタイルアライメント(TISA)フレームワークを提案する。 TISAは、余分な訓練なしにハンドヘルドデバイスイメージを直接推測することができ、臨床応用に適している。
• 参考スコア（独自算出の注目度）: 54.476120039032594
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Handheld ultrasound devices face usage limitations due to user inexperience and cannot benefit from supervised deep learning without extensive expert annotations. Moreover, the models trained on standard ultrasound device data are constrained by training data distribution and perform poorly when directly applied to handheld device data. In this study, we propose the Training-free Image Style Alignment (TISA) framework to align the style of handheld device data to those of standard devices. The proposed TISA can directly infer handheld device images without extra training and is suited for clinical applications. We show that TISA performs better and more stably in medical detection and segmentation tasks for handheld device data. We further validate TISA as the clinical model for automatic measurements of spinal curvature and carotid intima-media thickness. The automatic measurements agree well with manual measurements made by human experts and the measurement errors remain within clinically acceptable ranges. We demonstrate the potential for TISA to facilitate automatic diagnosis on handheld ultrasound devices and expedite their eventual widespread use.
• Abstract（参考訳）: ハンドヘルド超音波デバイスは、ユーザの経験不足による使用制限に直面しており、広範な専門家のアノテーションなしでは教師付きディープラーニングの恩恵を受けることができない。 さらに、標準超音波装置データに基づいてトレーニングされたモデルは、データ分布の訓練によって制約され、ハンドヘルドデバイスデータに直接適用された場合、性能が低下する。 本研究では,ハンドヘルドデバイスデータのスタイルを標準デバイスと整合させるトレーニングフリーな画像スタイルアライメント(TISA)フレームワークを提案する。 提案するtisaは,手持ちのデバイスイメージを余分なトレーニングなしで直接推定でき,臨床応用に適している。 ハンドヘルドデバイスデータに対する医学的検出およびセグメンテーションタスクにおいて,TISAは,より安定して,より優れた性能を発揮することを示す。 さらに, 脊髄曲率, 頸動脈 intima-media thickness の自動測定のための臨床モデルとして, TISA を検証した。 自動測定は、ヒトの専門家による手動測定とよく一致し、測定誤差は臨床上許容範囲内に留まる。 我々は,tsaが手持ち超音波装置の自動診断を容易にし,その普及を早める可能性を実証する。

関連論文リスト

• Automated Patient Positioning with Learned 3D Hand Gestures [29.90000893655248]
  本稿では,カメラを用いて手の動きを自動的に検出する自動位置決めシステムを提案する。 我々のアプローチは、技術者のジェスチャーを認識し解釈するための、新しい多段階パイプラインに依存している。 以上の結果から,本システムでは,最小限の技術介入で,正確かつ正確な患者の位置決めが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-20T15:32:24Z)
• Unlocking Telemetry Potential: Self-Supervised Learning for Continuous Clinical Electrocardiogram Monitoring [0.0]
  本稿では,未標識心電図(ECG)テレメトリー信号の多量化にディープラーニングを適用した。 我々は,約147,000時間の心電図テレメトリデータに基づいて,深層ネットワークのスペクトルを事前学習するために,自己教師学習を適用した。
  論文  参考訳（メタデータ） (2024-06-07T18:00:00Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AI-Assisted Cervical Cancer Screening [0.7124971549479362]
  低所得国と中所得国(LMICs)の資源制約環境では、視覚検査が最も有効な頸がん検診試験である。 カメラやスマートフォンを統合するさまざまなハンドヘルドデバイスは、最近、VIA中に頚部画像をキャプチャし、遠隔医療やAIモデルによる意思決定を支援するために研究されている。 本稿では,スマートフォンをベースとしたAI支援システムを構築するためのエンド・ツー・エンドの設計プロセスについて述べる。
  論文  参考訳（メタデータ） (2024-03-18T16:34:38Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• 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)
• A Deep Learning Localization Method for Measuring Abdominal Muscle Dimensions in Ultrasound Images [2.309018557701645]
  腰痛(LBP)患者に対する2次元(2D)超音波像を用いて, 腹筋次元を計測し, 治療計画の作成と診断に有用である。 可変性が高いため、サーバ内の信頼性を低くするためには、専門的な訓練を受けた熟練した専門家が測定を行う必要がある。 本稿では,2次元US画像の腹部筋厚測定を自動化するために,Deep Learning (DL) アプローチを用いる。
  論文  参考訳（メタデータ） (2021-09-30T08:36:50Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• Automatic Probe Movement Guidance for Freehand Obstetric Ultrasound [4.893896929103368]
  このシステムは、プローブに取り付けられた慣性測定ユニット(IMU)の超音波ビデオ信号と運動信号を受信する人工ニューラルネットワークを用いる。 US-GuideNetと呼ばれるネットワークは、標準的な平面位置への移動(ゴール予測)または、専門家のソノグラフィーが実行する次の動きを予測する。
  論文  参考訳（メタデータ） (2020-07-08T23:58:41Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。