論文の概要: Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification

• arxiv url: http://arxiv.org/abs/2411.01473v1
• Date: Sun, 03 Nov 2024 08:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:39:56.765697
• Title: Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification
• Title（参考訳）: BIRADS分類におけるDenseNetとFAISSを用いた医用画像検索の効率化
• Authors: MD Shaikh Rahman, Feiroz Humayara, Syed Maudud E Rabbi, Muhammad Mahbubur Rashid,
• Abstract要約: 本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適している。 FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: That datasets that are used in todays research are especially vast in the medical field. Different types of medical images such as X-rays, MRI, CT scan etc. take up large amounts of space. This volume of data introduces challenges like accessing and retrieving specific images due to the size of the database. An efficient image retrieval system is essential as the database continues to grow to save time and resources. In this paper, we propose an approach to medical image retrieval using DenseNet for feature extraction and use FAISS for similarity search. DenseNet is well-suited for feature extraction in complex medical images and FAISS enables efficient handling of high-dimensional data in large-scale datasets. Unlike existing methods focused solely on classification accuracy, our method prioritizes both retrieval speed and diagnostic relevance, addressing a critical gap in real-time case comparison for radiologists. We applied the classification of breast cancer images using the BIRADS system. We utilized DenseNet's powerful feature representation and FAISSs efficient indexing capabilities to achieve high precision and recall in retrieving relevant images for diagnosis. We experimented on a dataset of 2006 images from the Categorized Digital Database for Low Energy and Subtracted Contrast Enhanced Spectral Mammography (CDD-CESM) images available on The Cancer Imaging Archive (TCIA). Our method outperforms conventional retrieval techniques, achieving a precision of 80% at k=5 for BIRADS classification. The dataset includes annotated CESM images and medical reports, providing a comprehensive foundation for our research.
• Abstract（参考訳）: 今日の研究で使われているデータセットは、医療分野では特に大きい。 X線、MRI、CTスキャンなどの様々な種類の医療画像が大量の空間を占有する。 この量のデータには、データベースのサイズによる特定の画像へのアクセスや検索といった課題が伴う。 データベースは時間と資源を節約するために成長を続けるので、効率的な画像検索システムは不可欠である。 本稿では,DenseNetを用いた特徴抽出のための医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適しており、FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。 分類精度にのみ焦点をあてた既存の手法とは異なり,本手法は検索速度と診断関連性の両方を優先し,放射線科医のリアルタイム事例比較において重要なギャップを解消する。 BIRADSシステムを用いて乳癌画像の分類を行った。 我々は、DenseNetの強力な特徴表現とFAISSの効率的なインデックス化機能を利用して、診断のための関連画像の検索において高精度なリコールを実現した。 The Cancer Imaging Archive (TCIA)で利用可能なCDD-CESM(Categorized Digital Database for Low Energy and Subtracted Contst Enhanced Spectral Mammography)画像のデータセットを実験した。 提案手法は従来の検索手法よりも優れており,BIRADS分類におけるk=5での精度が80%向上している。 このデータセットには、注記のCESM画像と医療報告が含まれており、我々の研究の総合的な基盤となっている。

関連論文リスト

• Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
  OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。 現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
  論文  参考訳（メタデータ） (2024-10-21T10:03:03Z)
• On Validation of Search & Retrieval of Tissue Images in Digital Pathology [0.0]
  医療画像は、診断、治療計画、疾病モニタリングに不可欠な情報を提供することによって、現代医療において重要な役割を担っている。 技術的進歩は、医療画像の量と複雑さを指数関数的に増加させてきた。 CBIR (Content-Based Image Retrieval) システムは、視覚コンテンツに基づいて画像を検索して検索することで、このニーズに対処する。
  論文  参考訳（メタデータ） (2024-08-02T20:55:45Z)
• Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
  本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。 このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
  論文  参考訳（メタデータ） (2023-12-19T13:14:52Z)
• Building RadiologyNET: Unsupervised annotation of a large-scale multimodal medical database [0.4915744683251151]
  医学的診断と治療における機械学習の使用は、近年顕著な成長をみせている。 しかし、アノテーションのプロセスは時間がかかり、コストがかかるため、大きな注釈付き画像データセットが利用できることは大きな障害である。 本稿では, 医用放射線画像のデータベースに意味的類似性について, 自動的に注釈付けを行う方法について検討する。
  論文  参考訳（メタデータ） (2023-07-27T13:00:33Z)
• Medical Image Retrieval via Nearest Neighbor Search on Pre-trained Image Features [15.331765570210479]
  Nearest neighbor search (NNS) は、クエリポイントに最も近い高次元空間の点を見つけることを目的としている。 本稿では,異種医用画像からの関連画像の検索と検索を行う,効率的かつ効率的なアルゴリズムであるDenseLinkSearchを提案する。 我々は提案したNNSアプローチを広範囲に検証し、ベンチマークデータセットと作成した医用画像データセットの最先端NNSアプローチと比較した。
  論文  参考訳（メタデータ） (2022-10-05T17:21:11Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• 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。

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。