論文の概要: Physical foundations for trustworthy medical imaging: a review for artificial intelligence researchers

• arxiv url: http://arxiv.org/abs/2505.02843v1
• Date: Mon, 28 Apr 2025 09:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.021293
• Title: Physical foundations for trustworthy medical imaging: a review for artificial intelligence researchers
• Title（参考訳）: 信頼できる医用イメージングのための物理基盤--人工知能研究者の立場から
• Authors: Miriam Cobo, David Corral Fontecha, Wilson Silva, Lara Lloret Iglesias,
• Abstract要約: 医用画像における物理の基礎と、人工知能の最新技術への影響を概観する。 物理知識を物理にインスパイアされた機械学習モデルに統合する方法について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence in medical imaging has seen unprecedented growth in the last years, due to rapid advances in deep learning and computing resources. Applications cover the full range of existing medical imaging modalities, with unique characteristics driven by the physics of each technique. Yet, artificial intelligence professionals entering the field, and even experienced developers, often lack a comprehensive understanding of the physical principles underlying medical image acquisition, which hinders their ability to fully leverage its potential. The integration of physics knowledge into artificial intelligence algorithms enhances their trustworthiness and robustness in medical imaging, especially in scenarios with limited data availability. In this work, we review the fundamentals of physics in medical images and their impact on the latest advances in artificial intelligence, particularly, in generative models and reconstruction algorithms. Finally, we explore the integration of physics knowledge into physics-inspired machine learning models, which leverage physics-based constraints to enhance the learning of medical imaging features.
• Abstract（参考訳）: 医療画像における人工知能は、ディープラーニングとコンピューティングリソースの急速な進歩により、ここ数年で前例のない成長を遂げてきた。 応用は既存の医用画像モダリティの全範囲をカバーし、それぞれのテクニックの物理によって駆動される独特の特徴を持つ。 しかし、人工知能の専門家や経験豊富な開発者でさえ、医療画像取得の基盤となる物理的な原則を包括的に理解していないことが多いため、その可能性を完全に活用する能力が損なわれる。 物理知識を人工知能アルゴリズムに統合することは、医療画像における信頼性と堅牢性を高める。 本稿では、医用画像における物理の基礎と、人工知能の最新の進歩、特に生成モデルや再構成アルゴリズムへの影響について概説する。 最後に、物理に基づく制約を活用し、医用画像の特徴の学習を強化する物理知識を物理にインスパイアされた機械学習モデルに統合することを検討する。

関連論文リスト

• Generative Physical AI in Vision: A Survey [78.07014292304373]
  遺伝子人工知能(AI)は、コンピュータビジョンの分野を急速に進歩させ、機械が前例のない高度なビジュアルデータを作成し、解釈できるようにする。 この変換は、現実的な画像、ビデオ、および3D/4Dコンテンツを生成するための生成モデルの基礎の上に構築されている。 生成モデルが進化して物理リアリズムと動的シミュレーションを統合するにつれ、「世界シミュレータ」として機能する可能性が拡大する。
  論文  参考訳（メタデータ） (2025-01-19T03:19:47Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Practical Applications of Advanced Cloud Services and Generative AI Systems in Medical Image Analysis [17.4235794108467]
  本稿では、医用画像における生成AIの変換可能性について考察し、合成ACM-2データを生成する能力を強調した。 データセットのサイズと多様性の制限に対処することにより、これらのモデルはより正確な診断と患者の結果の改善に寄与する。
  論文  参考訳（メタデータ） (2024-03-26T09:55:49Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Using generative AI to investigate medical imagery models and datasets [21.814095540433115]
  AIベースのモデルの信頼性を高めるには、説明が必要だ。 本稿では,チームベースの専門知識を活用した視覚的自動説明手法を提案する。 3つの医用画像モダリティにまたがる8つの予測課題について実験を行った。
  論文  参考訳（メタデータ） (2023-06-01T17:59:55Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Medical Imaging and Machine Learning [16.240472115235253]
  2018年に国立衛生研究所は、医療画像における人工知能の未来における重要な焦点領域を特定した。 データ可用性、新しいコンピューティングアーキテクチャと説明可能なAIアルゴリズムの必要性は、いまだに関係している。 本稿では,高次元臨床画像データに特有の課題について考察するとともに,技術的・倫理的考察を紹介する。
  論文  参考訳（メタデータ） (2021-03-02T18:53:39Z)
• Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
  フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。 フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。 これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
  論文  参考訳（メタデータ） (2020-10-30T21:41:44Z)
• Deep learning for photoacoustic imaging: a survey [4.877447414423669]
  深層人工知能ニューラルネットワークは、2009年に確立された他の成熟モデルを上回っ始めた。 ディープニューラルネットワークは、医療画像技術、医療データ分析、医療診断、その他の医療問題において大きな可能性を秘めている。 このレビューの目的は3つある: (i) 深層学習をいくつかの重要な基礎で導入すること、 (ii) 深層学習を光音響画像の生態的連鎖全体に適用する最近の研究、(iii) 画像再構成から疾患診断まで、そして (iii) 深層学習を光音響画像に適用することに興味のある研究者にいくつかのオープンソース資料やその他のリソースを提供することである。
  論文  参考訳（メタデータ） (2020-08-10T15:53:30Z)

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。