論文の概要: Patient-Level Anatomy Meets Scanning-Level Physics: Personalized Federated Low-Dose CT Denoising Empowered by Large Language Model

• arxiv url: http://arxiv.org/abs/2503.00908v1
• Date: Sun, 02 Mar 2025 14:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:25.432956
• Title: Patient-Level Anatomy Meets Scanning-Level Physics: Personalized Federated Low-Dose CT Denoising Empowered by Large Language Model
• Title（参考訳）: 患者レベル解剖と走査レベル物理:大規模言語モデルを用いた個人化低用量CT
• Authors: Ziyuan Yang, Yingyu Chen, Zhiwen Wang, Hongming Shan, Yang Chen, Yi Zhang,
• Abstract要約: 低線量CT(LDCT)画像は臨床的に受け入れられないノイズやアーティファクトに悩まされることが多い。 ディープラーニング(DL)はLDCT再構築において有望であり、複数のクライアントからの大規模なデータ収集を必要とし、プライバシー上の懸念を提起する。 LDCT再構成のためのSCanning- and ANatomy-level Personal Physics-Driven Federated Learning パラダイムであるSCAN-PhysFedを提案する。
• 参考スコア（独自算出の注目度）: 22.16481341019888
• License:
• Abstract: Reducing radiation doses benefits patients, however, the resultant low-dose computed tomography (LDCT) images often suffer from clinically unacceptable noise and artifacts. While deep learning (DL) shows promise in LDCT reconstruction, it requires large-scale data collection from multiple clients, raising privacy concerns. Federated learning (FL) has been introduced to address these privacy concerns; however, current methods are typically tailored to specific scanning protocols, which limits their generalizability and makes them less effective for unseen protocols. To address these issues, we propose SCAN-PhysFed, a novel SCanning- and ANatomy-level personalized Physics-Driven Federated learning paradigm for LDCT reconstruction. Since the noise distribution in LDCT data is closely tied to scanning protocols and anatomical structures being scanned, we design a dual-level physics-informed way to address these challenges. Specifically, we incorporate physical and anatomical prompts into our physics-informed hypernetworks to capture scanning- and anatomy-specific information, enabling dual-level physics-driven personalization of imaging features. These prompts are derived from the scanning protocol and the radiology report generated by a medical large language model (MLLM), respectively. Subsequently, client-specific decoders project these dual-level personalized imaging features back into the image domain. Besides, to tackle the challenge of unseen data, we introduce a novel protocol vector-quantization strategy (PVQS), which ensures consistent performance across new clients by quantifying the unseen scanning code as one of the codes in the scanning codebook. Extensive experimental results demonstrate the superior performance of SCAN-PhysFed on public datasets.
• Abstract（参考訳）: 放射線線量を減らすことは患者に利益をもたらすが、結果として低線量CT(LDCT)画像は臨床的に受け入れられないノイズやアーティファクトに悩まされることが多い。 ディープラーニング(DL)はLDCT再構築において有望であるが、複数のクライアントからの大規模なデータ収集が必要であり、プライバシー上の懸念が高まる。 フェデレーテッド・ラーニング(FL)はこれらのプライバシー問題に対処するために導入されたが、現在の手法は一般的に特定の走査プロトコルに特化しており、一般化性が制限され、目に見えないプロトコルでは効果が低下している。 これらの課題に対処するため,新しいSCanning- and ANatomy-level Personal Physics-Driven Federated Learning パラダイムであるSCAN-PhysFedを提案する。 LDCTデータのノイズ分布は走査プロトコルや解剖学的構造と密接に結びついているので、これらの課題に対処するための二重レベル物理学インフォームド手法を設計する。 具体的には、物理的および解剖学的プロンプトを物理インフォームされたハイパーネットに組み込んで、走査型および解剖学的固有情報をキャプチャし、デュアルレベルの物理駆動による画像特徴のパーソナライズを可能にする。 これらのプロンプトはそれぞれ、医療用大言語モデル(MLLM)によって生成された走査プロトコルと放射線学レポートから導出される。 その後、クライアント固有のデコーダは、これらのデュアルレベルのパーソナライズされたイメージ機能をイメージドメインに投影する。 さらに、未確認データに対処するため、新しいプロトコルベクトル量子化戦略(PVQS)を導入し、スキャンコードブック内のコードのひとつとして、未確認のスキャニングコードを定量化することで、新しいクライアント間で一貫したパフォーマンスを確保する。 大規模な実験結果は、SCAN-PhysFedの公開データセット上での優れたパフォーマンスを示している。

関連論文リスト

• Fake It Till You Make It: Using Synthetic Data and Domain Knowledge for Improved Text-Based Learning for LGE Detection [11.532639713283226]
  臨床報告からテキストを用いてLGE検出のモデルを訓練するために,ドメイン知識に根ざした戦略を用いる。 我々は、画像の向きを解剖学的に表現した方法で標準化し、空間的特徴とテキスト的特徴のより優れたアライメントを可能にする。 モデル全体の性能に対する各デザインコンポーネントの貢献を明らかにするためのアブレーション研究が実施されている。
  論文  参考訳（メタデータ） (2025-02-18T15:30:48Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
  本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。 我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。 本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
  論文  参考訳（メタデータ） (2024-03-17T14:34:51Z)
• CoNeS: Conditional neural fields with shift modulation for multi-sequence MRI translation [5.662694302758443]
  マルチシーケンスMRI(Multi-sequence magnetic resonance imaging)は、現代の臨床研究とディープラーニング研究の両方に広く応用されている。 画像取得プロトコルの違いや、患者のコントラスト剤の禁忌が原因で、MRIの1つ以上の配列が欠落することがしばしば起こる。 1つの有望なアプローチは、生成モデルを利用して欠落したシーケンスを合成することであり、これはサロゲート獲得の役割を果たす。
  論文  参考訳（メタデータ） (2023-09-06T19:01:58Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)
• Image Synthesis for Data Augmentation in Medical CT using Deep Reinforcement Learning [31.677682150726383]
  本手法は, 新規かつ解剖学的に高精度な高解像度CT画像の大量かつ多種多様な生成に有効であることを示す。 私たちのアプローチは、多くの研究者が利用可能な画像データの少ない量を考えると望ましい小さな画像データセットでも機能するように特別に設計されています。
  論文  参考訳（メタデータ） (2021-03-18T19:47:11Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Learned Spectral Computed Tomography [0.0]
  スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。 この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。 提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-09T13:39:12Z)

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。