論文の概要: Retuve: Automated Multi-Modality Analysis of Hip Dysplasia with Open Source AI

• arxiv url: http://arxiv.org/abs/2504.06422v1
• Date: Tue, 08 Apr 2025 20:41:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:03:51.920866
• Title: Retuve: Automated Multi-Modality Analysis of Hip Dysplasia with Open Source AI
• Title（参考訳）: Retuve: Hip DysplasiaのオープンソースAIによるマルチモーダル自動解析
• Authors: Adam McArthur, Stephanie Wichuk, Stephen Burnside, Andrew Kirby, Alexander Scammon, Damian Sol, Abhilash Hareendranathan, Jacob L. Jaremko,
• Abstract要約: ヒップ(DDH)の発達は、時間的介入を妨げる重要な診断上の課題を生じさせる。 これらの制約に対処するため、マルチモーダルDDH分析のためのオープンソースのフレームワークであるRetuveを紹介した。 Retuveはオープンソースの原則に固執することにより、DDH研究における透明性、コラボレーション、アクセシビリティを促進する。
• 参考スコア（独自算出の注目度）: 35.088124182314075
• License:
• Abstract: Developmental dysplasia of the hip (DDH) poses significant diagnostic challenges, hindering timely intervention. Current screening methodologies lack standardization, and AI-driven studies suffer from reproducibility issues due to limited data and code availability. To address these limitations, we introduce Retuve, an open-source framework for multi-modality DDH analysis, encompassing both ultrasound (US) and X-ray imaging. Retuve provides a complete and reproducible workflow, offering open datasets comprising expert-annotated US and X-ray images, pre-trained models with training code and weights, and a user-friendly Python Application Programming Interface (API). The framework integrates segmentation and landmark detection models, enabling automated measurement of key diagnostic parameters such as the alpha angle and acetabular index. By adhering to open-source principles, Retuve promotes transparency, collaboration, and accessibility in DDH research. This initiative has the potential to democratize DDH screening, facilitate early diagnosis, and ultimately improve patient outcomes by enabling widespread screening and early intervention. The GitHub repository/code can be found here: https://github.com/radoss-org/retuve
• Abstract（参考訳）: 進行性変形性股関節症(DDH)は、時間的介入を妨げる重要な診断上の課題となる。 現在のスクリーニング手法には標準化が欠如しており、AIによる研究は、限られたデータとコード可用性のために再現性の問題に悩まされている。 これらの制約に対処するため,多モードDDH解析のためのオープンソースのフレームワークであるRetuveを紹介し,超音波(US)とX線画像の両方を包含する。 Retuveは、専門家アノテートされたUSとX線画像、トレーニングコードと重み付き事前トレーニングされたモデル、ユーザフレンドリーなPythonアプリケーションプログラミングインターフェース(API)を含む、完全な再現可能なワークフローを提供する。 このフレームワークはセグメンテーションとランドマーク検出モデルを統合し、アルファ角やアセタブラル指数などの重要な診断パラメータの自動測定を可能にする。 Retuveはオープンソースの原則に固執することにより、DDH研究における透明性、コラボレーション、アクセシビリティを促進する。 このイニシアチブは、DDHスクリーニングの民主化、早期診断の促進、そして最終的には、広範囲なスクリーニングと早期介入を可能にして、患者の成果を改善する可能性がある。 https://github.com/radoss-org/retuve

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic Reinforcement Learning [9.274138493400436]
  医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。 これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。 生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-08T03:06:16Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Learning from Subjective Ratings Using Auto-Decoded Deep Latent Embeddings [23.777855250882244]
  ラベルにおける主観性管理は医用画像解析における根本的な問題である。 自動復号型ディープ潜在埋め込み(addle)を導入する ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
  論文  参考訳（メタデータ） (2021-04-12T15:40:42Z)
• 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)
• Evaluating the Clinical Realism of Synthetic Chest X-Rays Generated Using Progressively Growing GANs [0.0]
  胸部X線は多くの患者のワークアップに欠かせない道具である。 新たな診断ツールを開発するためには,ラベル付きデータの量を増やす必要がある。 これまでの研究は、イメージを合成してトレーニングデータを増強するクラス固有のGANを作成することで、これらの問題に対処しようとしてきた。
  論文  参考訳（メタデータ） (2020-10-07T11:47:22Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records [0.5672132510411464]
  我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。 複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。 どちらのモデルも高い精度で複数の診断を同時に予測できる。
  論文  参考訳（メタデータ） (2020-06-23T14:58:58Z)

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。