論文の概要: NFRs in Medical Imaging

• arxiv url: http://arxiv.org/abs/2411.09718v1
• Date: Thu, 14 Nov 2024 06:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:43.153579
• Title: NFRs in Medical Imaging
• Title（参考訳）: 医用画像におけるNFR
• Authors: Amanda Vallentin,
• Abstract要約: 非機能要件(NFR)はソフトウェアプロジェクトに有害である。 研究は1つのデンマークの病院で行われた。 利害関係者にとって、タイプ効率、正確性、信頼性、使いやすさ、適応性、公正性のNFRが重要だった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The diagnostic imaging departments are under great pressure due to a growing workload. The number of required scans is growing and there is a shortage of qualified labor. AI solutions for medical imaging applications have shown great potential. However, very few diagnostic imaging models have been approved for hospital use and even fewer are being implemented at the hospitals. The most common reason why software projects fail is poor requirement engineering, especially non-functional requirements (NFRs) can be detrimental to a project. Research shows that machine learning professionals struggle to work with NFRs and that there is a need to adapt NFR frameworks to machine learning, AI-based, software. This study uses qualitative methods to interact with key stakeholders to identify which types of NFRs are important for medical imaging applications. The study was done on a single Danish hospital and found that NFRs of type Efficiency, Accuracy, Interoperability, Reliability, Usability, Adaptability, and Fairness were important to the stakeholders. Especially Efficiency since the diagnostic imaging department is trying to spend as little time as possible on each scan.
• Abstract（参考訳）: 画像診断部門は、作業負荷の増加により大きな圧力にさらされている。 必要なスキャンの数は増えており、適任労働力が不足している。 医療画像アプリケーションのためのAIソリューションは、大きな可能性を秘めている。 しかし、病院での使用が承認された診断画像モデルはほとんどなく、病院で実施されているものも少なくない。 ソフトウェアプロジェクトが失敗する最も一般的な理由は要件エンジニアリングの貧弱さであり、特に非機能要件(NFR)はプロジェクトに有害である。 研究によると、機械学習の専門家はNFRを扱うのに苦労しており、機械学習、AIベースのソフトウェアにNFRフレームワークを適用する必要がある。 本研究は、医用画像の応用において、どの種類のNFRが重要であるかを特定するために、鍵利害関係者と対話するために定性的手法を用いる。 この研究はデンマークの1つの病院で行われ、NFRのタイプ効率、正確性、相互運用性、信頼性、使いやすさ、適応性、公正性がステークホルダーにとって重要であることがわかった。 診断画像部は、各スキャンにできるだけ少ない時間を費やしようとしているため、特に効率性が高い。

関連論文リスト

• Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
  人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。 これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
  論文  参考訳（メタデータ） (2024-10-18T02:57:14Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Towards the Use of Saliency Maps for Explaining Low-Quality Electrocardiograms to End Users [45.62380752173638]
  診断に医用画像を使用する場合,画像が高品質であることが重要である。 遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。 本稿では,低品質な医用画像をリアルタイムにフラグ付け,説明するためのAIシステムの開発について報告する。
  論文  参考訳（メタデータ） (2022-07-06T14:53:26Z)
• 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)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Artificial Intelligence in Dry Eye Disease [4.444624718360766]
  ドライアイ病(DED)は5～50%の頻度である。 医学への応用における近年の成功は、主に機械学習のサブ分野の発展によるものである。 これは、DEDにおけるAIの使用に関する最初の文献レビューである。
  論文  参考訳（メタデータ） (2021-09-02T10:17:50Z)
• Technical Report: Quality Assessment Tool for Machine Learning with Clinical CT [3.8144111843457327]
  画像品質評価(IQA)は科学的調査、特に医用画像や機械学習において重要である。 実際には、ネットワーク問題、高速化された取得、モーションアーティファクト、イメージングプロトコル設計などの複数の要因が、画像収集の解釈を妨げる可能性がある。 そこで我々は,臨床的に得られたCTデータの大規模データマイニングで発生する問題を特定し,解決するためのパイプラインを作成した。
  論文  参考訳（メタデータ） (2021-07-27T14:19:08Z)
• GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging [76.38169390121057]
  コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。 GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。 放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
  論文  参考訳（メタデータ） (2021-02-26T02:24:52Z)
• Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
  医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。 MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。 しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
  論文  参考訳（メタデータ） (2020-07-14T23:22:04Z)

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。