Fugu-MT 論文翻訳(概要): TBI Image/Text (TBI-IT): Comprehensive Text and Image Datasets for Traumatic Brain Injury Research

論文の概要: TBI Image/Text (TBI-IT): Comprehensive Text and Image Datasets for Traumatic Brain Injury Research

arxiv url: http://arxiv.org/abs/2403.09062v1
Date: Thu, 14 Mar 2024 03:07:49 GMT
ステータス: 処理完了
システム内更新日: 2024-03-15 21:57:10.134564
Title: TBI Image/Text (TBI-IT): Comprehensive Text and Image Datasets for Traumatic Brain Injury Research
Title（参考訳）: TBI画像/テキスト(TBI-IT):外傷性脳損傷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, Jiaying Wen, Tongxin Yang, Fenglin Cai, Miao Wei, Zhiwei Zhang, Li Jiang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.098732957191748
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a new dataset in the medical field of Traumatic Brain Injury (TBI), called TBI-IT, which includes both electronic medical records (EMRs) and head CT images. This dataset is designed to enhance the accuracy of artificial intelligence in the diagnosis and treatment of TBI. This dataset, built upon the foundation of standard text and image data, incorporates specific annotations within the EMRs, extracting key content from the text information, and categorizes the annotation content of imaging data into five types: brain midline, hematoma, left cerebral ventricle, right cerebral ventricle and fracture. TBI-IT aims to be a foundational dataset for feature learning in image segmentation tasks and named entity recognition.
Abstract（参考訳）: 本稿では,TBI-IT(Traumatic Brain Injury)の医療分野における新たなデータセットについて紹介する。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。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、EMRに特定のアノテーションを組み込んで、テキスト情報から重要な内容を取り出し、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、骨折の5種類に分類される。 TBI-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なデータセットである。

関連論文リスト

Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
HICH Image/Text (HICH-IT): Comprehensive Text and Image Datasets for Hypertensive Intracerebral Hemorrhage Research [12.479936404475803]
高血圧性脳内出血(HICH)の医学領域にHICH-ITと呼ばれる新しいデータセットを導入する。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。
論文参考訳（メタデータ） (2024-01-29T07:44:09Z)
Machine Learning Applications in Traumatic Brain Injury: A Spotlight on Mild TBI [0.972285423076459]
TBIにおける臨床情報とCTスキャンに応用された最先端機械学習(ML)技術について概説する。このレビューは、データ駆動型アプローチと標準診断データを用いて、TBIの診断を改善することを目的とした将来の研究のインスピレーションの源となるかもしれない。
論文参考訳（メタデータ） (2024-01-08T01:29:00Z)
Brain-ID: Learning Contrast-agnostic Anatomical Representations for Brain Imaging [11.06907516321673]
脳画像のための解剖学的表現学習モデルであるBrain-IDを導入する。提案された"Mild-to-Severe"イントラオブジェクト生成により、Brain-IDは被験者固有の脳解剖に対して堅牢である。本稿では,物体内および物体間ロバスト性を評価するための新しい指標を提案し,その性能を4つの下流アプリケーションで評価する。
論文参考訳（メタデータ） (2023-11-28T16:16:10Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting [50.01582455004711]
脳腫瘍患者の場合、画像取得の時系列は通常、すでに病理的なスキャンから始まる。多くのアルゴリズムは、健康な脳を分析し、病変を特徴とする画像の保証を提供しないように設計されている。例えば、脳解剖学のパーセレーション、組織セグメンテーション、脳抽出のアルゴリズムがある。そこで参加者は、損傷した脳から健康な脳スキャンを合成するための塗装技術を探る。
論文参考訳（メタデータ） (2023-05-15T20:17:03Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
TBI-GAN: An Adversarial Learning Approach for Data Synthesis on Traumatic Brain Segmentation [14.183809518138242]
本稿では,TBI MR スキャンを2つの脳ラベルマップで合成するために,TBI-GAN という新しい医用画像インペイントモデルを提案する。 TBI-GAN法の主な強みは,TBI画像と対応するラベルマップを同時に生成できることである。実験結果から,提案手法は,高品質で有効なラベルマップを持つ十分に合成されたTBI画像を生成することができることがわかった。
論文参考訳（メタデータ） (2022-08-12T03:33:08Z)
UniToBrain dataset: a Brain Perfusion Dataset [2.02258267891574]
では、UniToBrainを紹介します。本稿では,画像処理と深層学習モデル開発のために,欧州のECVLとEDDLを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-08-01T07:16:02Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。