Fugu-MT 論文翻訳(概要): Translating Imaging to Genomics: Leveraging Transformers for Predictive Modeling

論文の概要: Translating Imaging to Genomics: Leveraging Transformers for Predictive Modeling

arxiv url: http://arxiv.org/abs/2408.00311v1
Date: Thu, 1 Aug 2024 06:14:37 GMT
ステータス: 処理完了
システム内更新日: 2024-08-04 21:35:40.857120
Title: Translating Imaging to Genomics: Leveraging Transformers for Predictive Modeling
Title（参考訳）: ゲノミクスへの変換:予測モデリングのためのレバレッジトランスフォーマ
Authors: Aiman Farooq, Deepak Mishra, Santanu Chaudhury,
Abstract要約: 我々はトランスフォーマーネットワークを利用して画像とゲノムデータのギャップを埋めることを目指している。利用可能なCT/MRI画像のみを用いてゲノム配列を予測することを提案する。
参考スコア（独自算出の注目度）: 9.403446155541346
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, we present a novel approach for predicting genomic information from medical imaging modalities using a transformer-based model. We aim to bridge the gap between imaging and genomics data by leveraging transformer networks, allowing for accurate genomic profile predictions from CT/MRI images. Presently most studies rely on the use of whole slide images (WSI) for the association, which are obtained via invasive methodologies. We propose using only available CT/MRI images to predict genomic sequences. Our transformer based approach is able to efficiently generate associations between multiple sequences based on CT/MRI images alone. This work paves the way for the use of non-invasive imaging modalities for precise and personalized healthcare, allowing for a better understanding of diseases and treatment.
Abstract（参考訳）: 本研究では,トランスモデルを用いた医用画像モダリティからゲノム情報を予測する新しい手法を提案する。我々は、トランスフォーマーネットワークを利用して、画像とゲノムデータのギャップを埋めることを目指しており、CT/MRI画像からの正確なゲノムプロファイル予測を可能にしている。現在、ほとんどの研究は、侵襲的手法を用いて得られる、関連性のための全スライド画像(WSI)の使用に依存している。利用可能なCT/MRI画像のみを用いてゲノム配列を予測することを提案する。提案手法はCT/MRI画像だけで複数のシーケンス間の関連を効率的に生成できる。この研究は、正確でパーソナライズされた医療に非侵襲的な画像モダリティを使用することで、疾患や治療の理解を深める。

関連論文リスト

MGI: Multimodal Contrastive pre-training of Genomic and Medical Imaging [16.325123491357203]
本稿では,下流タスクにゲノムと医用画像を併用したマルチモーダル事前学習フレームワークを提案する。我々は,マンバを遺伝子エンコーダとして,ビジョントランスフォーマー(ViT)を医用画像エンコーダとして組み合わせた,自己指導型コントラスト学習アプローチを用いて医用画像と遺伝子を調整した。
論文参考訳（メタデータ） (2024-06-02T06:20:45Z)
Transformer-Based Classification Outcome Prediction for Multimodal Stroke Treatment [8.686077984641356]
本研究では,Transformerアーキテクチャと自己保持機構に基づくマルチモーダル融合フレームワークであるMultitransを提案する。このアーキテクチャは、非コントラストCT(non-contrast Computed tomography)画像の研究と、脳卒中治療中の患者の退院診断報告を組み合わせたものである。
論文参考訳（メタデータ） (2024-04-19T05:31:37Z)
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)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
Conversion Between CT and MRI Images Using Diffusion and Score-Matching Models [7.745729132928934]
本稿では,拡散モデルとスコアマッチングモデルという,新たなディープラーニングフレームワークを提案する。以上の結果から, 拡散およびスコアマッチングモデルにより, CNNおよびGANモデルよりも優れた合成CT画像が生成されることがわかった。本研究は,相補的な画像モダリティを用いて得られた画像に基づいて高品質な画像を生成するために,拡散とスコアマッチングモデルが優れていることを示唆する。
論文参考訳（メタデータ） (2022-09-24T23:50:54Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
Learning stochastic object models from medical imaging measurements by use of advanced AmbientGANs [7.987904193401004]
GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
論文参考訳（メタデータ） (2021-06-27T21:46:23Z)
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)
Structurally aware bidirectional unpaired image to image translation between CT and MR [0.14788776577018314]
深層学習技術は、複数の画像モダリティ間の画像変換に画像の可能性を活用するのに役立つ。これらの技術は、MRI情報のフィードバックにより、CT下で外科的計画を実行するのに役立つ。
論文参考訳（メタデータ） (2020-06-05T11:21:56Z)
Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。