論文の概要: Ultrasound-QBench: Can LLMs Aid in Quality Assessment of Ultrasound Imaging?

• arxiv url: http://arxiv.org/abs/2501.02751v1
• Date: Mon, 06 Jan 2025 03:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:36.782854
• Title: Ultrasound-QBench: Can LLMs Aid in Quality Assessment of Ultrasound Imaging?
• Title（参考訳）: 超音波QBench:LLMは超音波イメージングの品質評価に役立つか?
• Authors: Hongyi Miao, Jun Jia, Yankun Cao, Yingjie Zhou, Yanwei Jiang, Zhi Liu, Guangtao Zhai,
• Abstract要約: Ultrasound-QBenchは、超音波画像の品質評価タスクにおいて、マルチモーダル大言語モデル(MLLM)を体系的に評価する包括的なベンチマークである。 評価の結果,MLLMは超音波画像品質分類における低レベル視覚タスクの予備的機能を有することがわかった。
• 参考スコア（独自算出の注目度）: 34.54497616551514
• License:
• Abstract: With the dramatic upsurge in the volume of ultrasound examinations, low-quality ultrasound imaging has gradually increased due to variations in operator proficiency and imaging circumstances, imposing a severe burden on diagnosis accuracy and even entailing the risk of restarting the diagnosis in critical cases. To assist clinicians in selecting high-quality ultrasound images and ensuring accurate diagnoses, we introduce Ultrasound-QBench, a comprehensive benchmark that systematically evaluates multimodal large language models (MLLMs) on quality assessment tasks of ultrasound images. Ultrasound-QBench establishes two datasets collected from diverse sources: IVUSQA, consisting of 7,709 images, and CardiacUltraQA, containing 3,863 images. These images encompassing common ultrasound imaging artifacts are annotated by professional ultrasound experts and classified into three quality levels: high, medium, and low. To better evaluate MLLMs, we decompose the quality assessment task into three dimensionalities: qualitative classification, quantitative scoring, and comparative assessment. The evaluation of 7 open-source MLLMs as well as 1 proprietary MLLMs demonstrates that MLLMs possess preliminary capabilities for low-level visual tasks in ultrasound image quality classification. We hope this benchmark will inspire the research community to delve deeper into uncovering and enhancing the untapped potential of MLLMs for medical imaging tasks.
• Abstract（参考訳）: 超音波検査量の増加に伴い、オペレーターの熟練度や画像の状況の変化により、低画質の超音波画像が徐々に増加し、診断精度に重荷を課し、重篤な症例でも診断を再開するリスクも伴うようになった。 高品質な超音波画像の選択と診断の精度を確保するために,超音波画像の品質評価タスクにおいて,マルチモーダル大言語モデル(MLLM)を体系的に評価する総合的なベンチマークであるUltrasound-QBenchを導入する。 Ultrasound-QBenchは,7,709枚の画像からなるIVUSQAと3,863枚の画像を含むCardiacUltraQAという,さまざまなソースから収集された2つのデータセットを確立する。 これらの画像は、プロの超音波専門家によって注釈され、ハイ、ミディアム、ローの3つの品質レベルに分類される。 MLLMを評価するために,質評価タスクを質的分類,定量的評価,比較評価の3つの次元に分割する。 7つのオープンソースMLLMと1つのプロプライエタリMLLMの評価は、MLLMが超音波画像品質分類における低レベル視覚タスクの予備的能力を持っていることを示している。 このベンチマークは、医療画像タスクのためのMLLMの未解決の可能性を解明し、強化する研究コミュニティに刺激を与えてくれることを願っている。

関連論文リスト

• Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
  プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。 疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
  論文  参考訳（メタデータ） (2024-11-25T13:40:11Z)
• Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
  本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。 まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。 3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
  論文  参考訳（メタデータ） (2024-06-18T09:53:07Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Diffusion-based Iterative Counterfactual Explanations for Fetal Ultrasound Image Quality Assessment [6.185886588296547]
  拡散に基づく反現実的説明可能なAIを用いて、低品質の非標準平面から現実的な高品質の標準平面を生成する。 このことは、視覚的フィードバックを提供することによる臨床医の訓練の強化と、画質の向上、そして下流の診断とモニタリングの両立を将来の約束として示している。
  論文  参考訳（メタデータ） (2024-03-13T17:04:56Z)
• UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation [59.91293113930909]
  超音波による組織散乱の可視化と定量化は中上イメージングが約束している。 既存の手法では、最適なウィンドウサイズの選択に苦労し、推定の不安定性に悩まされている。 提案手法は,中上パラメータ推定のための高精度でクローズドな形状推定器であるUNICORNを提案する。
  論文  参考訳（メタデータ） (2024-03-10T18:05:41Z)
• Two-Stage Deep Learning Framework for Quality Assessment of Left Atrial Late Gadolinium Enhanced MRI Images [0.22585387137796725]
  LGE-MRI画像の自動診断品質評価のための2段階のディープラーニング手法を提案する。 本発明の方法は、関連する領域にフォーカスする左心房検出器と、診断品質を評価するディープネットワークとを含む。
  論文  参考訳（メタデータ） (2023-10-13T01:27:36Z)
• Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering [0.03262230127283451]
  超音波画像の品質は低く、サーバ間変動によるノイズの多いアノテーションに悩まされている。 我々は,手動アノテーションの負担と不確実性を解消するUnSupervised UltraSound Image Quality Assessment Network (US2QNet)を提案する。 提案手法は,最先端クラスタリング手法よりも精度が78%,性能が優れている。
  論文  参考訳（メタデータ） (2023-07-05T17:34:58Z)
• Artifact- and content-specific quality assessment for MRI with image rulers [11.551528894727573]
  臨床では、MRI画像はスキャン後ずっと後に放射線科医によって最初に見られることが多い。 画像品質が不十分な場合、追加のスキャンのために戻らなければならないか、あるいは最適以下の解釈を下す必要がある。 キャリブレーションされたラベルで訓練し,画像定規で推測するマルチタスクCNNモデルを用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-06T02:17:12Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)

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。