Fugu-MT 論文翻訳(概要): Automatic classification of prostate MR series type using image content and metadata

論文の概要: Automatic classification of prostate MR series type using image content and metadata

arxiv url: http://arxiv.org/abs/2404.10892v1
Date: Tue, 16 Apr 2024 20:30:16 GMT
ステータス: 処理完了
システム内更新日: 2024-04-18 17:52:27.126865
Title: Automatic classification of prostate MR series type using image content and metadata
Title（参考訳）: 画像内容とメタデータを用いた前立腺MRシリーズの分類
Authors: Deepa Krishnaswamy, Bálint Kovács, Stefan Denner, Steve Pieper, David Clunie, Christopher P. Bridge, Tina Kapur, Klaus H. Maier-Hein, Andrey Fedorov,
Abstract要約: 画像データとDICOMメタデータを組み合わせて前立腺癌スキャンシーケンスを分類する深層学習手法を提案する。メタデータや画像データだけで比較すると,優れた結果が得られます。
参考スコア（独自算出の注目度）: 1.0959281779554237
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the wealth of medical image data, efficient curation is essential. Assigning the sequence type to magnetic resonance images is necessary for scientific studies and artificial intelligence-based analysis. However, incomplete or missing metadata prevents effective automation. We therefore propose a deep-learning method for classification of prostate cancer scanning sequences based on a combination of image data and DICOM metadata. We demonstrate superior results compared to metadata or image data alone, and make our code publicly available at https://github.com/deepakri201/DICOMScanClassification.
Abstract（参考訳）: 医用画像データが豊富にあるため、効率的なキュレーションが不可欠である。磁気共鳴画像に配列型を割り当てることは、科学研究と人工知能に基づく分析に必要である。しかし、不完全または欠落したメタデータは、効果的な自動化を妨げる。そこで本稿では,画像データとDICOMメタデータを組み合わせて前立腺癌スキャンシーケンスを分類する深層学習手法を提案する。メタデータやイメージデータのみと比較して優れた結果を示し、コードをhttps://github.com/deepakri201/DICOMScanClassification.comで公開しています。

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)
CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。ディープラーニング手法は大規模なトレーニングデータセットを必要とする。このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文参考訳（メタデータ） (2023-09-19T15:14:42Z)
Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。分析するデータには教師なし学習モデルが必要です。
論文参考訳（メタデータ） (2023-04-19T13:45:28Z)
Generating and Weighting Semantically Consistent Sample Pairs for Ultrasound Contrastive Learning [10.631361618707214]
よく注釈付けされた医療データセットにより、ディープニューラルネットワーク(DNN)は、病変に関連する特徴を抽出する上で強力なパワーを得ることができる。 ImageNetに基づくモデル事前トレーニングは、データ量に制限がある場合に、より良い一般化を得るための一般的なプラクティスである。本研究では,医療用USアプリケーションの領域ギャップを低減するために,ImageNetの代わりに超音波(US)ドメインを事前訓練する。
論文参考訳（メタデータ） (2022-12-08T06:24:08Z)
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)
Self-Paced Contrastive Learning for Semi-supervisedMedical Image Segmentation with Meta-labels [6.349708371894538]
メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。 3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2021-07-29T04:30:46Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文参考訳（メタデータ） (2020-11-15T14:01:24Z)
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)
Weakly Supervised Context Encoder using DICOM metadata in Ultrasound Imaging [7.370841471918351]
超音波画像からのDICOMメタデータを利用して、超音波画像の表現を学習する。提案手法は,ダウンストリームタスク間の非メタッタ方式よりも優れていることを示す。
論文参考訳（メタデータ） (2020-03-20T02:17:03Z)

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。