論文の概要: Survey of image processing settings used for mammography systems in the United Kingdom: how variable is it?

• arxiv url: http://arxiv.org/abs/2501.13595v1
• Date: Thu, 23 Jan 2025 12:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:34.744366
• Title: Survey of image processing settings used for mammography systems in the United Kingdom: how variable is it?
• Title（参考訳）: 英国におけるマンモグラフィーシステムにおける画像処理設定の実態調査
• Authors: Alistair Mackenzie, John Loveland, Ruben van Engen,
• Abstract要約: 目的は、英国におけるマンモグラフィー画像システムの設置に関する全国調査を行うことであった。 私たちはDICOMヘッダから選択したタグを抽出できるプログラムを作成しました。 このプログラムは、2023年以降に取得されたTORMAMファントムの画像処理画像に28の医学物理学部門が使用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The aim was to undertake a national survey of the setup of mammography imaging systems in the UK, we were particularly interested in image processing and software version. We created a program that can extract selected tags from the DICOM header. 28 medical physics departments used the program on processed images of the TORMAM phantom acquired since 2023 and this produced data for 497 systems. We received data for 7 different models of mammography systems. We found that currently in use each model had between 2 and 7 different versions of software for the acquisition workstation. Each of the systems had multiple versions of image processing settings, a preliminary investigation with TORMAM demonstrated large differences in the appearance of the image for the same X-ray model. The Fujifilm, GE and Siemens systems showed differences in the setup of the dose levels. In addition to these settings there were differences in the paddles used and grid type. Our snapshot of system set up showed that there is a potential for the images to appear differently according to the settings seen in the headers. These differences may affect the outcomes of AI and also human readers. Thus the introduction of AI must take these differences into consideration and the inevitably changes of settings in the future. There are responsibilities on AI suppliers, physics, mammographic equipment manufacturers, and breast-screening units to manage the use of AI and ensure the outcomes of breast screening are not adversely affected by the set-up of equipment.
• Abstract（参考訳）: 本研究の目的は,英国におけるマンモグラフィー画像システムの構築に関する全国調査を行うことであり,特に画像処理とソフトウェアバージョンに関心を抱いていた。 私たちはDICOMヘッダから選択したタグを抽出できるプログラムを作成しました。 28の医学部が2023年以降に取得されたTORMAMファントムの画像処理画像にこのプログラムを使用し、497のシステムでデータを生成した。 われわれは7種類のマンモグラフィーシステムのデータを得た。 現在使われている各モデルには,買収ワークステーション用のソフトウェアが2～7種類あることが分かりました。 各システムには複数の画像処理設定があり、TORMAMによる予備的な調査では、同じX線モデルに対する画像の外観に大きな違いが示された。 富士フイルム, GE, シーメンス系では, 線量レベルの違いが認められた。 これらの設定に加えて、使用されるパドルとグリッドタイプにも違いがあった。 システム設定のスナップショットでは,ヘッダに表示される設定に応じて,画像が異なる形で表示される可能性が示された。 これらの違いは、AIと人間の読者の結果に影響を与える可能性がある。 したがって、AIの導入は、これらの違いと、将来必然的に設定の変更を考慮に入れなければならない。 AIサプライヤー、物理学、マンモグラフィー機器メーカー、乳房検診ユニットは、AIの使用を管理し、乳房検診の結果が機器のセットアップに悪影響されないようにする責任がある。

関連論文リスト

• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Panoptic Segmentation of Mammograms with Text-To-Image Diffusion Model [1.2130800774416757]
  視覚言語拡散モデルは、様々な下流タスクに対する画像生成と転送性において顕著な性能を示した。 本稿では,安定拡散モデルから最新のパン光学セグメントアーキテクチャへの入力として,事前学習した特徴を活用することを提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:04:05Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Expert Knowledge-Aware Image Difference Graph Representation Learning for Difference-Aware Medical Visual Question Answering [45.058569118999436]
  メインイメージとレファレンスイメージのペアが与えられたこのタスクは、両方の疾患に関するいくつかの疑問に答えようとしている。 我々は164,324対の主画像と参照画像から700,703対のQAペアを含むMIMIC-Diff-VQAという新しいデータセットを収集した。
  論文  参考訳（メタデータ） (2023-07-22T05:34:18Z)
• UIT-Saviors at MEDVQA-GI 2023: Improving Multimodal Learning with Image Enhancement for Gastrointestinal Visual Question Answering [0.0]
  ImageCLEFmed-MEDVQA-GI-2023は、消化管領域で視覚的質問応答タスクを実行した。 マルチモーダルアーキテクチャは、BERTエンコーダと、畳み込みニューラルネットワーク(CNN)とTransformerアーキテクチャに基づいた、さまざまな事前訓練されたビジョンモデルによって構成される。 BERT+BEiT融合と画像強調の利点を生かして、最大87.25%の精度と91.85%のF1スコアを実現する。
  論文  参考訳（メタデータ） (2023-07-06T05:22:20Z)
• 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)
• ImUnity: a generalizable VAE-GAN solution for multicenter MR image harmonization [0.0]
  ImUnityは、効率よく柔軟なMR画像調和のために設計された、オリジナルのディープラーニングモデルである。 VAE-GANネットワークは、混乱モジュールとオプションの生物学的保存モジュールとを結合し、トレーニングデータベースの各対象の異なる解剖学的位置から採取された複数の2Dスライスを使用する。 最終的に、様々なマルチセンター集団研究に使用できる「補正された」MR画像を生成する。
  論文  参考訳（メタデータ） (2021-09-14T15:21:19Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Screen Tracking for Clinical Translation of Live Ultrasound Image Analysis Methods [2.5805793749729857]
  提案手法は,ソノグラフィの視点に固定されたカメラで画面を追跡し,撮影画像を適切なアスペクト比に再構成することで,米国内の画像をキャプチャする。 これにより、取得した画像を画像処理パイプラインに入力して、検査を改善するのに役立つ情報を抽出できるという仮説が立てられている。 この情報は、例えば拡張現実(AR)ヘッドセットを使って、音像師の視界にリアルタイムで投影される。
  論文  参考訳（メタデータ） (2020-07-13T09:53:20Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。