論文の概要: A review of handcrafted and deep radiomics in neurological diseases: transitioning from oncology to clinical neuroimaging

• arxiv url: http://arxiv.org/abs/2407.13813v1
• Date: Thu, 18 Jul 2024 16:12:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 21:39:27.355271
• Title: A review of handcrafted and deep radiomics in neurological diseases: transitioning from oncology to clinical neuroimaging
• Title（参考訳）: 神経疾患における手技と深部放射線治療 : 腫瘍学から臨床神経イメージングへ
• Authors: Elizaveta Lavrova, Henry C. Woodruff, Hamza Khan, Eric Salmon, Philippe Lambin, Christophe Phillips,
• Abstract要約: ラジオミクス(Radiomics)は、画像データから定量的な情報を抽出する手法である。 本稿では,臨床から見た放射線パイプラインについて概説する。 神経画像診断における手技と深部放射線の応用について論じる。
• 参考スコア（独自算出の注目度）: 2.651601515140236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging technologies have undergone extensive development, enabling non-invasive visualization of clinical information. The traditional review of medical images by clinicians remains subjective, time-consuming, and prone to human error. With the recent availability of medical imaging data, quantification have become important goals in the field. Radiomics, a methodology aimed at extracting quantitative information from imaging data, has emerged as a promising approach to uncover hidden biological information and support decision-making in clinical practice. This paper presents a review of the radiomic pipeline from the clinical neuroimaging perspective, providing a detailed overview of each step with practical advice. It discusses the application of handcrafted and deep radiomics in neuroimaging, stratified by neurological diagnosis. Although radiomics shows great potential for increasing diagnostic precision and improving treatment quality in neurology, several limitations hinder its clinical implementation. Addressing these challenges requires collaborative efforts, advancements in image harmonization methods, and the establishment of reproducible and standardized pipelines with transparent reporting. By overcoming these obstacles, radiomics can significantly impact clinical neurology and enhance patient care.
• Abstract（参考訳）: 医療画像技術は広範囲に開発され、臨床情報の非侵襲的な可視化を可能にしている。 臨床医による伝統的な医療画像のレビューは、主観的、時間的、人的誤りの傾向にある。 近年,医療画像データの入手が進み,定量化がこの分野において重要な目標となっている。 画像データから定量情報を抽出する手法であるRadiomicsは,隠れた生物学的情報を明らかにするための有望なアプローチとして登場し,臨床実践における意思決定を支援する。 本稿では, 臨床神経画像学の観点からの放射線パイプラインの概観を概説し, 各ステップについて概説する。 神経画像診断における手技と深部放射線の応用について論じる。 放射線医学は、診断精度を高め、神経学における治療品質を向上させる大きな可能性を秘めているが、いくつかの制限が臨床実装を妨げている。 これらの課題に対処するには、協力的な取り組み、画像調和法の進歩、透過的な報告を伴う再現性と標準化されたパイプラインの確立が必要である。 これらの障害を克服することで、放射線治療は臨床神経学に大きな影響を与え、患者のケアを高めることができる。

関連論文リスト

• Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
  生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。 既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。 本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-16T12:36:20Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。 本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。 その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Adversarial Neural Networks in Medical Imaging Advancements and Challenges in Semantic Segmentation [6.88255677115486]
  人工知能(AI)の最近の進歩は、医療画像のパラダイムシフトを引き起こしている。 本稿では,脳画像のセマンティックセグメンテーションへの深層学習(AIの主分野)の統合を体系的に検討する。 敵対的ニューラルネットワークは、自動化するだけでなく、セマンティックセグメンテーションプロセスを洗練する、新しいAIアプローチである。
  論文  参考訳（メタデータ） (2024-10-17T00:05:05Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for Multimodal Medical Diagnosis [59.35504779947686]
  GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。 評価対象は17の人体システムである。 GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。 疾患の診断と包括的報告作成において重大な課題に直面している。
  論文  参考訳（メタデータ） (2023-10-15T18:32:27Z)
• 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)
• Graph Convolutional Networks for Multi-modality Medical Imaging: Methods, Architectures, and Clinical Applications [13.940158397866625]
  グラフ畳み込みネットワーク(GCN)の開発は、医療画像解析における新たな研究の波を生み出した。 GCNの能力は、定量的疾患の理解、モニタリング、診断の改善を目標に、医療画像解析における新たな研究の波を生み出している。
  論文  参考訳（メタデータ） (2022-02-17T22:03:59Z)
• Computer-Assisted Analysis of Biomedical Images [1.0116577992023341]
  本論文は, バイオメディカル画像解析のための新しい, 先進的なコンピュータ支援手法を提案することを目的とする。 これらの研究の最終的な目標は、臨床および生物学的に有用な知見を得て、鑑別診断と治療を導くことである。
  論文  参考訳（メタデータ） (2021-06-04T21:59:48Z)
• Deep and Statistical Learning in Biomedical Imaging: State of the Art in 3D MRI Brain Tumor Segmentation [1.7403133838762446]
  脳画像研究における主要な統計・深層学習モデルとその応用を批判的にレビューする。 その結果、モデル駆動の古典統計とデータ駆動のディープラーニングは、臨床腫瘍学における自動化システムを開発するための強力な組み合わせであることを強調した。
  論文  参考訳（メタデータ） (2021-03-09T16:15:47Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。