論文の概要: On the Feasibility of Deep Learning Classification from Raw Signal Data
in Radiology, Ultrasonography and Electrophysiology
- arxiv url: http://arxiv.org/abs/2402.16165v1
- Date: Sun, 25 Feb 2024 18:07:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 15:01:28.772393
- Title: On the Feasibility of Deep Learning Classification from Raw Signal Data
in Radiology, Ultrasonography and Electrophysiology
- Title（参考訳）: 放射線・超音波・電気生理学における生信号データからの深層学習分類の可能性について
- Authors: Szilard Enyedi
- Abstract要約: 本稿では,ラジオグラフィ,超音波,電気生理学におけるディープラーニングの主な応用について述べる。
提案するニューラルネットワークトレーニングが生信号に直接適用可能かどうかを論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical imaging is a very useful tool in healthcare, various technologies
being employed to non-invasively peek inside the human body. Deep learning with
neural networks in radiology was welcome - albeit cautiously - by the
radiologist community. Most of the currently deployed or researched deep
learning solutions are applied on already generated images of medical scans,
use the neural networks to aid in the generation of such images, or use them
for identifying specific substance markers in spectrographs. This paper's
author posits that if the neural networks were trained directly on the raw
signals from the scanning machines, they would gain access to more nuanced
information than from the already processed images, hence the training - and
later, the inferences - would become more accurate. The paper presents the main
current applications of deep learning in radiography, ultrasonography, and
electrophysiology, and discusses whether the proposed neural network training
directly on raw signals is feasible.
- Abstract（参考訳）: 医療イメージングは医療において非常に有用なツールであり、人体内部を非侵襲的に覗くために様々な技術が用いられている。
放射線学におけるニューラルネットワークによる深層学習は、放射線学者コミュニティから歓迎された。
現在デプロイまたは研究されているディープラーニングソリューションのほとんどは、すでに生成された医療スキャンの画像に適用され、ニューラルネットワークを使用して画像の生成を支援し、あるいは分光器内の特定の物質マーカーを特定するために使用される。
この論文の著者は、もしニューラルネットワークがスキャニングマシンからの生信号に基づいて直接訓練されたら、既に処理された画像よりも多くのニュアンス情報にアクセスできるようになると仮定している。
本稿では, 放射光, 超音波, 電気生理学における深層学習の主な応用について述べるとともに, 提案したニューラルネットワークが生信号を直接学習できるかどうかを論じる。
関連論文リスト
- Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。
このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
論文 参考訳（メタデータ） (2023-12-19T13:14:52Z) - Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。
CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
論文 参考訳（メタデータ） (2023-06-03T09:05:35Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。
画像を読んでいるときに、放射線科医の視線を記録します。
視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
論文 参考訳（メタデータ） (2022-04-06T08:31:05Z) - 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) - 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) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳（メタデータ） (2021-09-23T15:15:21Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Deep learning approaches for neural decoding: from CNNs to LSTMs and
spikes to fMRI [2.0178765779788495]
神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。
過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。
ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
論文 参考訳（メタデータ） (2020-05-19T18:10:35Z) - Comparing Different Deep Learning Architectures for Classification of
Chest Radiographs [0.0]
胸部ラジオグラフィーを分類するほとんどのモデルは、大きな画像データセットに基づいて訓練されたディープニューラルネットワークに由来する。
より小さなネットワークでは、胸部X線写真はより深いニューラルネットワークと正確に分類できる可能性が示されている。
論文 参考訳（メタデータ） (2020-02-20T19:47:16Z)
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。