論文の概要: Privacy-Preserving and Trustworthy Deep Learning for Medical Imaging
- arxiv url: http://arxiv.org/abs/2407.00538v1
- Date: Sat, 29 Jun 2024 22:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 02:36:46.488727
- Title: Privacy-Preserving and Trustworthy Deep Learning for Medical Imaging
- Title(参考訳): 医用イメージングのためのプライバシー保護と信頼できる深層学習
- Authors: Kiarash Sedghighadikolaei, Attila A Yavuz,
- Abstract要約: 放射能は機械学習(ML)を利用して医療画像を正確かつ効率的に分析する。
現在の手法は、性能と精度を向上させるためにDeep Learning(DL)に依存している(Deep Radiomics)。
効率、正確性、プライバシーが不可欠であるDeep Radiomicsでは、多くのPETは理論上は適用できるが、特別な最適化やハイブリッド設計なしでは実用的ではない。
この研究は、既存のPETを分類し、実用的なハイブリッドPETS構造を示し、Deep Radiomicsパイプラインとの潜在的な統合を図った分類学によって、この研究ギャップに対処する。
- 参考スコア(独自算出の注目度): 2.156208381257605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The shift towards efficient and automated data analysis through Machine Learning (ML) has notably impacted healthcare systems, particularly Radiomics. Radiomics leverages ML to analyze medical images accurately and efficiently for precision medicine. Current methods rely on Deep Learning (DL) to improve performance and accuracy (Deep Radiomics). Given the sensitivity of medical images, ensuring privacy throughout the Deep Radiomics pipeline-from data generation and collection to model training and inference-is essential, especially when outsourced. Thus, Privacy-Enhancing Technologies (PETs) are crucial tools for Deep Radiomics. Previous studies and systematization efforts have either broadly overviewed PETs and their applications or mainly focused on subsets of PETs for ML algorithms. In Deep Radiomics, where efficiency, accuracy, and privacy are crucial, many PETs, while theoretically applicable, may not be practical without specialized optimizations or hybrid designs. Additionally, not all DL models are suitable for Radiomics. Consequently, there is a need for specialized studies that investigate and systematize the effective and practical integration of PETs into the Deep Radiomics pipeline. This work addresses this research gap by (1) classifying existing PETs, presenting practical hybrid PETS constructions, and a taxonomy illustrating their potential integration with the Deep Radiomics pipeline, with comparative analyses detailing assumptions, architectural suitability, and security, (2) Offering technical insights, describing potential challenges and means of combining PETs into the Deep Radiomics pipeline, including integration strategies, subtilities, and potential challenges, (3) Proposing potential research directions, identifying challenges, and suggesting solutions to enhance the PETs in Deep Radiomics.
- Abstract(参考訳): 機械学習(ML)による効率的で自動化されたデータ分析へのシフトは、医療システム、特にRadiomicsに大きな影響を与えている。
放射能はMLを利用して医療画像を正確かつ効率的に分析する。
現在の手法は、性能と精度を向上させるためにDeep Learning (DL) に依存している(Deep Radiomics)。
医療画像の感度を考えると、データ生成と収集からモデルトレーニングと推論まで、ディープラジオミクスパイプライン全体のプライバシーを確保することが不可欠である。
したがって、PET(Privacy-Enhancing Technologies)は、Deep Radiomicsにとって重要なツールである。
従来の研究と体系化の取り組みは、PETとその応用を概観するか、主にMLアルゴリズムのためのPETのサブセットに焦点を当てている。
効率、正確性、プライバシーが不可欠であるDeep Radiomicsでは、多くのPETは理論上は適用できるが、特別な最適化やハイブリッド設計なしでは実用的ではない。
さらに、全てのDLモデルは放射能に適しているわけではない。
その結果, PETのディープ・ラジオミクス・パイプラインへの効果的かつ実用的な統合を研究・体系化する専門的な研究が必要である。
本研究は,(1)既存のPETの分類,実践的なハイブリッドPETS構築の提示,および,それらがDeep Radiomicsパイプラインと統合される可能性を示す分類,(2)技術的知見の提供,PETをDeep Radiomicsパイプラインに組み込むための潜在的な課題と手段の説明,(3)研究の方向性の提示,課題の特定,およびDeep RadiomicsパイプラインにおけるPETの強化のためのソリューションの提案による研究ギャップに対処する。
関連論文リスト
- Enhancing Lesion Segmentation in PET/CT Imaging with Deep Learning and Advanced Data Preprocessing Techniques [2.4549652987344546]
本研究は,PET/CT画像における病変セグメンテーションの深層学習を用いた。
我々の方法論的アプローチは、モデルの堅牢性と一般化性を保証するために、ロバストな前処理とデータ拡張技術を含む。
本研究はPET/CT画像における前処理および拡張戦略の標準化に寄与することを目的としている。
論文 参考訳(メタデータ) (2024-09-15T16:27:34Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳(メタデータ) (2024-04-16T07:42:55Z) - Revolutionizing Disease Diagnosis with simultaneous functional PET/MR and Deeply Integrated Brain Metabolic, Hemodynamic, and Perfusion Networks [40.986069119392944]
マルチモーダルなMiXture-of-expertsアライメント再構成とモデルであるMX-ARMを提案する。
モダリティは分離可能で交換可能であり、異なる多層パーセプトロン(「専門家の混合」)を学習可能な重みを通して動的に割り当て、異なるモダリティからそれぞれの表現を学ぶ。
論文 参考訳(メタデータ) (2024-03-29T08:47:49Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳(メタデータ) (2023-08-20T04:10:36Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Radiology-GPT: A Large Language Model for Radiology [74.07944784968372]
本稿では,ラジオロジーのための大規模言語モデルであるRadiology-GPTを紹介する。
StableLM、Dolly、LLaMAといった一般的な言語モデルと比較して、優れたパフォーマンスを示している。
放射線診断、研究、通信において大きな汎用性を示す。
論文 参考訳(メタデータ) (2023-06-14T17:57:24Z) - Physics-driven Deep Learning for PET/MRI [2.2113800586902608]
我々は,同時ポジトロン放射トモグラフィ(PET)/磁気共鳴イメージング(MRI)システムのための物理・データ駆動型再構成技術について概説する。
これらの再構成手法は、構造的または統計的に、PETシステム応答の物理に基づく記述とともに、事前を利用する。
我々は,3次元PET/MRIの再構成において,多面的アプローチがハイブリッドデータと物理駆動機械学習にどのように対応しているかを明らかにする。
論文 参考訳(メタデータ) (2022-06-11T21:35:27Z) - Artificial Intelligence-Based Detection, Classification and
Prediction/Prognosis in PET Imaging: Towards Radiophenomics [2.2509387878255818]
この研究は、腫瘍学的なPETとPET/CTイメージングに焦点を当てたAIベースの技術についてレビューする。
良性から悪性まで腫瘍組織学のスペクトルがあり、AIベースの分類法で同定できる。
放射線分析は、腫瘍の正確な評価のための非侵襲的手法として利用される可能性がある。
論文 参考訳(メタデータ) (2021-10-20T01:05:47Z) - Potential Applications of Artificial Intelligence and Machine Learning
in Radiochemistry and Radiochemical Engineering [0.0]
人工知能と機械学習は、PETイメージングをベンチからクリニックに邪魔する可能性がある。
この観点から、PETイメージングのための新しい放射性医薬品の設計と合成を改善するために、この技術がどのように応用できるかについての洞察を提供する。
論文 参考訳(メタデータ) (2021-08-05T18:58:56Z)
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。