論文の概要: A Non-contrast Head CT Foundation Model for Comprehensive Neuro-Trauma Triage
- arxiv url: http://arxiv.org/abs/2502.21106v1
- Date: Fri, 28 Feb 2025 14:44:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:40:47.661626
- Title: A Non-contrast Head CT Foundation Model for Comprehensive Neuro-Trauma Triage
- Title（参考訳）: 総合的神経トラウマトリアージのための非コントラスト頭部CT基礎モデル
- Authors: Youngjin Yoo, Bogdan Georgescu, Yanbo Zhang, Sasa Grbic, Han Liu, Gabriela D. Aldea, Thomas J. Re, Jyotipriya Das, Poikavila Ullaskrishnan, Eva Eibenberger, Andrei Chekkoury, Uttam K. Bodanapally, Savvas Nicolaou, Pina C. Sanelli, Thomas J. Schroeppel, Yvonne W. Lui, Eli Gibson,
- Abstract要約: AIと医用画像の最近の進歩は、緊急頭部CTの解釈にトランスフォーメーションの可能性をもたらす。
本研究では, 多様な神経外傷所見を高精度かつ効率的に検出するための3次元基礎モデルを提案する。
- 参考スコア（独自算出の注目度）: 5.39145170841044
- License:
- Abstract: Recent advancements in AI and medical imaging offer transformative potential in emergency head CT interpretation for reducing assessment times and improving accuracy in the face of an increasing request of such scans and a global shortage in radiologists. This study introduces a 3D foundation model for detecting diverse neuro-trauma findings with high accuracy and efficiency. Using large language models (LLMs) for automatic labeling, we generated comprehensive multi-label annotations for critical conditions. Our approach involved pretraining neural networks for hemorrhage subtype segmentation and brain anatomy parcellation, which were integrated into a pretrained comprehensive neuro-trauma detection network through multimodal fine-tuning. Performance evaluation against expert annotations and comparison with CT-CLIP demonstrated strong triage accuracy across major neuro-trauma findings, such as hemorrhage and midline shift, as well as less frequent critical conditions such as cerebral edema and arterial hyperdensity. The integration of neuro-specific features significantly enhanced diagnostic capabilities, achieving an average AUC of 0.861 for 16 neuro-trauma conditions. This work advances foundation models in medical imaging, serving as a benchmark for future AI-assisted neuro-trauma diagnostics in emergency radiology.
- Abstract（参考訳）: 近年のAIと医用画像の進歩は、緊急頭部CTの解釈において、評価時間を短縮し、そのようなスキャンの要求が増加し、放射線技師の国際的不足に直面して精度を向上するトランスフォーメーションポテンシャルを提供する。
本研究では, 多様な神経外傷所見を高精度かつ効率的に検出するための3次元基礎モデルを提案する。
大規模言語モデル (LLM) を自動ラベリングに使用し, 臨界条件に対する包括的マルチラベルアノテーションを作成した。
本手法では, 出血サブタイプセグメンテーションと脳解剖学的パーセレーションのためのニューラルネットワークの事前トレーニングを行い, マルチモーダル微調整により, トレーニング済みの包括的神経外傷検出ネットワークに統合した。
専門的アノテーションとCT-CLIPとの比較による評価では,出血や中線シフトなどの主要な神経外傷所見と,脳浮腫や動脈圧亢進などの重症度が低い症例で強いトリアージ精度が認められた。
神経特異的な特徴の統合は診断能力を著しく向上させ、16の神経外傷条件に対して平均0.861のAUCを達成した。
この研究は医療画像の基礎モデルを進歩させ、緊急放射線学における将来のAI支援神経外傷診断のベンチマークとなる。
関連論文リスト
- Deep Learning for Early Alzheimer Disease Detection with MRI Scans [1.9806397201363817]
アルツハイマー病は、患者のMRIスキャンと神経心理学的検査の詳細な評価によって診断を必要とする。
本研究は,AD診断の精度と効率を向上させるために,既存のディープラーニングモデルと比較する。
感度,特異性,計算効率を考慮した厳密な評価を行い,各モデルの強みと弱みを判定する。
論文 参考訳（メタデータ） (2025-01-17T07:30:16Z) - Detection of Vascular Leukoencephalopathy in CT Images [0.0]
本研究は,脳小血管疾患であるロイコ脳症の診断におけるAIの役割について検討した。
約1200名のX線CT患者のデータセットを用いて,2次疾患分類のための畳み込みニューラルネットワーク(CNN)を訓練した。
論文 参考訳（メタデータ） (2025-01-16T22:21:00Z) - Advanced AI Framework for Enhanced Detection and Assessment of Abdominal Trauma: Integrating 3D Segmentation with 2D CNN and RNN Models [5.817643726988823]
本研究は, 腹部外傷診断の高速化と精度向上を目的として, 人工知能(AI)と機械学習(ML)の応用について検討した。
我々は、診断性能を向上させるために、3Dセグメント化、2D畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた高度なAIモデルを開発した。
本モデルでは腹部CTでリアルタイム, 正確な評価を行い, 臨床診断と患者成績の改善を図る。
論文 参考訳（メタデータ） (2024-07-23T04:18:34Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - GCS-ICHNet: Assessment of Intracerebral Hemorrhage Prognosis using
Self-Attention with Domain Knowledge Integration [19.51978172091416]
脳内出血 (ICH) は脳血管破裂による重篤な病態である。
本稿では,マルチモーダル脳CTデータとGlasgow Coma Scaleスコアを統合した新しいディープラーニングアルゴリズムGCS-ICHNetを提案する。
論文 参考訳（メタデータ） (2023-11-08T15:51:12Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。