Fugu-MT 論文翻訳(概要): Processing HSV Colored Medical Images and Adapting Color Thresholds for Computational Image Analysis: a Practical Introduction to an open-source tool

論文の概要: Processing HSV Colored Medical Images and Adapting Color Thresholds for Computational Image Analysis: a Practical Introduction to an open-source tool

arxiv url: http://arxiv.org/abs/2404.17878v1
Date: Sat, 27 Apr 2024 12:29:12 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 18:51:42.792474
Title: Processing HSV Colored Medical Images and Adapting Color Thresholds for Computational Image Analysis: a Practical Introduction to an open-source tool
Title（参考訳）: HSVカラー医療画像の処理と計算画像解析のためのカラー閾値の適応:オープンソースツールの実践的紹介
Authors: Lie Cai, Andre Pfob,
Abstract要約: 我々は,HSVカラーの医療画像の異なる色閾値を適応するオープンソースツールを開発した。コード行に付随するステップバイステップの命令を提供します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background: Using artificial intelligence (AI) techniques for computational medical image analysis has shown promising results. However, colored images are often not readily available for AI analysis because of different coloring thresholds used across centers and physicians as well as the removal of clinical annotations. We aimed to develop an open-source tool that can adapt different color thresholds of HSV-colored medical images and remove annotations with a simple click. Materials and Methods: We built a function using MATLAB and used multi-center international shear wave elastography data (NCT 02638935) to test the function. We provide step-by-step instructions with accompanying code lines. Results: We demonstrate that the newly developed pre-processing function successfully removed letters and adapted different color thresholds of HSV-colored medical images. Conclusion: We developed an open-source tool for removing letters and adapting different color thresholds in HSV-colored medical images. We hope this contributes to advancing medical image processing for developing robust computational imaging algorithms using diverse multi-center big data. The open-source Matlab tool is available at https://github.com/cailiemed/image-threshold-adapting.
Abstract（参考訳）: 背景: 計算医療画像解析に人工知能(AI)技術を用いると, 有望な結果が得られた。しかし、センターや医師間で色付けの閾値が異なることや、臨床アノテーションの削除により、AI分析では色付き画像が容易に利用できないことがしばしばある。我々は、HSV色の医療画像の異なる色の閾値に適応し、簡単なクリックでアノテーションを削除できるオープンソースツールの開発を目指していた。材料と方法:MATLABを用いて機能を構築し,多中心国際せん断波エラストグラフィーデータ(NCT 02638935)を用いて機能試験を行った。コード行に付随するステップバイステップの命令を提供します。結果: 新たに開発した前処理機能では, 文字の除去が成功し, HSVカラーの医用画像の色閾値が変化することが確認できた。結語:HSVカラーの医療画像に文字を除去し,異なる色の閾値を適応させるオープンソースツールを開発した。多様なマルチセンタービッグデータを用いた堅牢な計算画像処理アルゴリズムの開発に,医療画像処理の進歩に寄与することを願っている。 Matlabのオープンソースツールはhttps://github.com/cailiemed/image-threshold-adaptingで公開されている。

関連論文リスト

Modular Deep Active Learning Framework for Image Annotation: A Technical Report for the Ophthalmo-AI Project [1.7325492987380366]
MedDeepCyleALは、完全なアクティブラーニングサイクルを実装するエンドツーエンドフレームワークである。研究者に、採用したいディープラーニングモデルの種類を選択する柔軟性を提供する。 MedDeepCyleALはどんな画像データにも適用可能ですが、本プロジェクトでは特に眼科データに適用しています。
論文参考訳（メタデータ） (2024-03-22T11:53:03Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文参考訳（メタデータ） (2023-06-13T17:59:59Z)
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)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-08-05T09:31:46Z)
Technical Report: Quality Assessment Tool for Machine Learning with Clinical CT [3.8144111843457327]
画像品質評価(IQA)は科学的調査、特に医用画像や機械学習において重要である。実際には、ネットワーク問題、高速化された取得、モーションアーティファクト、イメージングプロトコル設計などの複数の要因が、画像収集の解釈を妨げる可能性がある。そこで我々は,臨床的に得られたCTデータの大規模データマイニングで発生する問題を特定し,解決するためのパイプラインを作成した。
論文参考訳（メタデータ） (2021-07-27T14:19:08Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文参考訳（メタデータ） (2020-10-20T04:30:09Z)
Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling [14.092503407739422]
本稿では,脳腫瘍画像に対する効率的なアノテーションフレームワークを提案する。実験によると、BraTS 2019データセットから、わずか19%の注釈付き患者スキャンでセグメンテーションモデルをトレーニングすることは、腫瘍セグメンテーションタスク全体のデータセット上でモデルをトレーニングするのと同等のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2020-06-26T13:39:49Z)
Bridging the gap between Natural and Medical Images through Deep Colorization [15.585095421320922]
自然画像収集からの伝達学習は、形状、テクスチャ、色の違いに対処しようとする標準的な実践である。本研究では,これらの課題を解消し,色適応に着目した専用ネットワークモジュールの設計を提案する。カラーモジュールのスクラッチからの学習と異なる分類バックボーンの伝達学習を組み合わせることで、画像認識のためのエンドツーエンドで簡単にトレーニングできるアーキテクチャを得る。
論文参考訳（メタデータ） (2020-05-21T12:03:14Z)

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。