論文の概要: Explicit and Implicit Representations in AI-based 3D Reconstruction for Radiology: A systematic literature review

• arxiv url: http://arxiv.org/abs/2504.11349v1
• Date: Tue, 15 Apr 2025 16:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:07.470008
• Title: Explicit and Implicit Representations in AI-based 3D Reconstruction for Radiology: A systematic literature review
• Title（参考訳）: AIを用いた放射線学3次元再構成における明示的・意図的表現:体系的文献レビュー
• Authors: Yuezhe Yang, Boyu Yang, Yaqian Wang, Yang He, Xingbo Dong, Zhe Jin,
• Abstract要約: 本稿では,最新のAIに基づく放射線画像の3D再構成アルゴリズムについて検討する。 明示的手法は、点ベース、体積ベース、ガウス表現を含み、暗黙的手法は暗黙的な事前埋め込みやニューラルラディアンス場を包含する。 この発展途上の分野における開発の現状と課題,今後の研究方向性について論じる。
• 参考スコア（独自算出の注目度）: 10.141920750731714
• License:
• Abstract: The demand for high-quality medical imaging in clinical practice and assisted diagnosis has made 3D reconstruction in radiological imaging a key research focus. Artificial intelligence (AI) has emerged as a promising approach to enhancing reconstruction accuracy while reducing acquisition and processing time, thereby minimizing patient radiation exposure and discomfort and ultimately benefiting clinical diagnosis. This review explores state-of-the-art AI-based 3D reconstruction algorithms in radiological imaging, categorizing them into explicit and implicit approaches based on their underlying principles. Explicit methods include point-based, volume-based, and Gaussian representations, while implicit methods encompass implicit prior embedding and neural radiance fields. Additionally, we examine commonly used evaluation metrics and benchmark datasets. Finally, we discuss the current state of development, key challenges, and future research directions in this evolving field. Our project available on: https://github.com/Bean-Young/AI4Med.
• Abstract（参考訳）: 臨床実習における高画質医用画像の需要と診断支援により,放射線画像の3次元再構成が重要な研究課題となっている。 人工知能(AI)は、取得と処理時間を短縮し、患者の放射線被曝と不快を最小化し、最終的に臨床診断に有用であると共に、再建精度を高めるための有望なアプローチとして登場した。 このレビューでは、放射線画像における最先端のAIベースの3D再構成アルゴリズムについて検討し、基礎となる原理に基づいて、それらを明示的で暗黙的なアプローチに分類する。 明示的手法は、点ベース、体積ベース、ガウス表現を含み、暗黙的手法は暗黙的な事前埋め込みやニューラルラディアンス場を包含する。 さらに、一般的な評価指標とベンチマークデータセットについて検討する。 最後に、この発展途上の分野における開発の現状と課題、今後の研究方向性について論じる。 私たちのプロジェクトは、https://github.com/Bean-Young/AI4Med.comで利用可能です。

関連論文リスト

• MedFuncta: Modality-Agnostic Representations Based on Efficient Neural Fields [1.931185411277237]
  我々は、ニューラルネットワークに基づくモダリティに依存しない連続データ表現であるMedFunctaを紹介する。 医療信号の冗長性を利用して、単一インスタンスから大規模データセットにニューラルネットワークをスケールする方法を実証する。 我々は、この方向の研究を促進するために、 > 550kの注釈付きニューラルネットワークの大規模なデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-02-20T09:38:13Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Deep Generative Models for 3D Medical Image Synthesis [1.931185411277237]
  深部生成モデリングは、現実的な医療画像を合成するための強力なツールとして登場した。 本章では3次元医用画像合成のための様々な深部生成モデルについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:33:23Z)
• The Era of Foundation Models in Medical Imaging is Approaching : A Scoping Review of the Clinical Value of Large-Scale Generative AI Applications in Radiology [0.0]
  放射線技師の不足に起因する社会問題は激化しており、人工知能は潜在的な解決策として強調されている。 最近出現する大規模生成AIは、大規模言語モデル(LLM)からマルチモーダルモデルへと拡張されている。 このスコーピングレビューは、大規模生成型AIアプリケーションの臨床的価値に関する既存の文献を体系的に整理する。
  論文  参考訳（メタデータ） (2024-09-03T00:48:50Z)
• Automated Radiology Report Generation: A Review of Recent Advances [5.965255286239531]
  人工知能の最近の技術進歩は、自動放射線学レポート生成に大きな可能性を示している。 人工知能の最近の進歩は、自動放射線診断レポート生成に大きな可能性を示している。
  論文  参考訳（メタデータ） (2024-05-17T15:06:08Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Future Artificial Intelligence tools and perspectives in medicine [1.7532045941271799]
  現在、がんの限られた管理は人工知能の恩恵を受けており、主にコンピューター支援診断に関連しており、追加のリスクとコストを示す生検分析を避けている。 本稿では,臨床応用のためのAIベースの放射線治療ツールの進歩について概説する。
  論文  参考訳（メタデータ） (2022-06-04T11:27:43Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• 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)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。