論文の概要: Visualization of Age Distributions as Elements of Medical Data-Stories
- arxiv url: http://arxiv.org/abs/2409.17854v1
- Date: Thu, 26 Sep 2024 14:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 18:44:56.989744
- Title: Visualization of Age Distributions as Elements of Medical Data-Stories
- Title（参考訳）: 医学データの要素としての年齢分布の可視化
- Authors: Sophia Dowlatabadi, Bernhard Preim, Monique Meuschke,
- Abstract要約: 本研究では, 疾患の年齢分布を示す最も効果的な方法について, 物語的可視化による検討を行った。
我々は、理解、美学、エンゲージメント、記憶可能性に焦点をあてた設計選択を特定した。
伝統的なバーチャートはエンゲージメントに好まれ、他の変種は記憶に残るものとなった。
- 参考スコア（独自算出の注目度）: 3.589694834579397
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In various fields, including medicine, age distributions are crucial. Despite widespread media coverage of health topics, there remains a need to enhance health communication. Narrative medical visualization is promising for improving information comprehension and retention. This study explores the most effective ways to present age distributions of diseases through narrative visualizations. We conducted a thorough analysis of existing visualizations, held workshops with a broad audience, and reviewed relevant literature. From this, we identified design choices focusing on comprehension, aesthetics, engagement, and memorability. We specifically tested three pictogram variants: pictograms as bars, stacked pictograms, and annotations. After evaluating 18 visualizations with 72 participants and three expert reviews, we determined that annotations were most effective for comprehension and aesthetics. However, traditional bar charts were preferred for engagement, and other variants were more memorable. The study provides a set of design recommendations based on these insights.
- Abstract（参考訳）: 医学を含む様々な分野において、年齢分布は重要である。
メディアで健康に関する話題が広く報道されているにもかかわらず、健康コミュニケーションを強化する必要性は依然として残っている。
ナラティブ・メディカル・ビジュアライゼーションは情報理解と保持を改善することを約束している。
本研究では, 疾患の年齢分布を示す最も効果的な方法について, 物語的可視化による検討を行った。
既存のビジュアライゼーションを徹底的に分析し,広い範囲でワークショップを開催し,関連文献をレビューした。
そこから、理解、美学、エンゲージメント、記憶可能性に焦点をあてた設計選択を特定した。
具体的には、バーとしてのピクトグラム、積み重ねたピクトグラム、アノテーションの3種類のピクトグラムを試験した。
72名の参加者と3名の専門家による評価の結果,アノテーションは理解と美学に最も有効であることが判明した。
しかし、伝統的なバーチャートはエンゲージメントに好まれ、他のバリエーションは記憶に残るものとなった。
この研究は、これらの洞察に基づく設計勧告のセットを提供する。
関連論文リスト
- Guiding Medical Vision-Language Models with Explicit Visual Prompts: Framework Design and Comprehensive Exploration of Prompt Variations [15.052986179046076]
医用エンティティ抽出,視覚的プロンプト生成,およびデータセット適応を統合した,視覚的プロンプトによる微調整のための先駆的フレームワークであるMedVPを紹介する。
我々は、複数の医療用VQAデータセットにおいて、最新の最先端の大規模モデルを上回る結果を得た。
論文 参考訳（メタデータ） (2025-01-04T21:23:36Z) - A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。
胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。
医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T17:55:02Z) - MLIP: Enhancing Medical Visual Representation with Divergence Encoder
and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。
我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。
特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文 参考訳（メタデータ） (2024-02-03T05:48:50Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。
この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
論文 参考訳（メタデータ） (2023-09-20T16:10:53Z) - Enhancing Vascular Analysis with Distance Visualizations: An Overview
and Implementation [7.9699934361695375]
近年,血管構造の表現における表現的表面可視化の利用が注目されている。
本研究は, 従来の論文を拡張し, 3次元容器表面の距離情報を符号化するための共通技術について, 徹底的に検討する。
16の異なる視覚化のためのUnity環境と詳細な実装手順が提供される。
論文 参考訳（メタデータ） (2023-05-11T11:06:12Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Align, Reason and Learn: Enhancing Medical Vision-and-Language
Pre-training with Knowledge [68.90835997085557]
本稿では,3つの視点から構造化された医療知識を高めるための体系的かつ効果的なアプローチを提案する。
まず、視覚エンコーダと言語エンコーダの表現を知識を通して整列する。
次に,多モード融合モデルに知識を注入し,入力画像とテキストの補足として知識を用いた推論を可能にする。
第3に、知識によって引き起こされるプレテキストタスクを設計することで、画像やテキストの最も重要な情報に重点を置くよう、モデルを指導する。
論文 参考訳（メタデータ） (2022-09-15T08:00:01Z) - Classifying Eye-Tracking Data Using Saliency Maps [8.524684315458245]
本稿では,視線追跡データの自動的,定量的分類のための視覚情報に基づく特徴抽出手法を提案する。
サリエンシの振幅、類似度、相違点を対応するアイフィクスマップと比較すると、視覚追跡データを識別するために識別的特徴を生成するために有効に活用される情報の余分な次元が得られる。
論文 参考訳（メタデータ） (2020-10-24T15:18:07Z) - Medical Image Segmentation Using Deep Learning: A Survey [11.204127714820945]
本稿では,深層学習技術を用いた医用画像のセグメンテーションに関する包括的調査を行う。
我々は,現在普及している文献を,粗いものから細かいものまで多層構造に従って分類する。
教師付き学習アプローチでは,バックボーンネットワークの選択,ネットワークブロックの設計,損失関数の改良という3つの側面から文献を解析する。
論文 参考訳（メタデータ） (2020-09-28T08:05:02Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。