Apr, 2023

高效处理和传输的医学影像表达在多站点云中的应用

PDF
TL;DR本文提出一种基于多重数据结构的医学图像格式表示方法，它在医学图像中保留额外的元数据信息，并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外，研究人员还在云端使用 MapReduce 范例来改善数据处理速度，同时提出了一种基于去重的数据压缩方法以优化数据传输，该方案在多站点云环境中测试得到了验证。
medical image formatdata structuresontologymapreducedata compression
发现论文，激发创造
  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024

  • 云磁共振成像系统：在 6G 和人工智能时代的应用

    Cloud-MRI 系统整合了分布式云计算、6G 带宽、边缘计算、联邦学习和区块链技术，旨在解决 MRI 数据存储安全、传输速度、AI 算法维护、硬件升级和协同工作的问题，从而提高诊断准确性和工作效率。

    Oct, 2023

  • 机器视觉引导的云端三维医学图像压缩，实现高效传输和准确分割

    本研究提出了一种基于深度学习的医学图像自动分割算法，通过专为分割设计的机器视觉态度的 3D 图像压缩框架，在保证分割精度的同时，显著提高了压缩比率。

    Apr, 2019

  • 一份副本足矣：规模化的医学影像数据高效流式传输

    MIST 是一个开源框架，可以从一个高分辨率复制品流式传输医学图像，并在多个分辨率下进行操作，能够显著减少图像基础设施的低效性，同时对于深度学习应用程序也能够保持诊断质量。

    Jul, 2023

  • 超越网格：点云和表面表示推动神经处理

    提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法，其中每个平滑部分表示特定的像素位置，通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云，该方法在公开的脑瘤数据集上实现了显着的改进，可从原始图像中提取错综复杂的细节，开辟了先进的图像分析和处理任务的新可能性。

    May, 2023

  • 自监督下的稳健高效医学影像

    本文提出了 REMEDIS，采用大规模监督式迁移学习和自监督学习的通用结合方式，用于改善医学图像 AI 的鲁棒性和数据效率，并在各种医学成像任务中展示了显著的表现，说明 REMEDIS 可以加速医学成像 AI 的生命周期，从而有助于医学成像 AI 产生广泛的影响。

    May, 2022

  • 面向诊断的高效传统学习医学图像压缩

    远程医疗诊断对于实际医疗系统至关重要，本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器，通过调整部分策略网络参数以适应医学图像，实验证明仅使用 1 个医学样本，我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比特率，达到 47.594% 的比特率节省。

    Oct, 2023

  • 机器学习应用中高效的大规模医学影像数据集准备

    传统 DICOM 数据管理系统无法处理机器学习算法所需的数据规模和复杂性，本论文介绍了一种创新的数据整理工具，旨在简化大规模医学影像数据集的组织、管理和处理，满足放射科医生和机器学习研究人员的需要，并在 RACOON 下进行集成。

    Sep, 2023

  • 将复杂性嵌入数据表示而非模型：异质医学数据案例研究

    本文提出使用语义嵌入方法，将原始、杂乱的临床数据直接与下游学习架构耦合，以实现最小化预处理。我们从捕捉和编码数据表示中的复杂数据依赖性的角度考虑这一步骤，而不是在模型中实现，该方法允许使用快速，轻量级和简单的模型进行下游处理，对于没有机器学习专业知识的研究人员非常有用。我们通过三个典型的临床预测任务证明了高度压缩的嵌入数据表示捕获了大量有用的复杂性，尽管在某些情况下，压缩并非完全无损。

    Feb, 2018

  • 使用深度卷积神经网络进行医学图像检索

    提出了一种利用深度卷积神经网络的 CBMIR 系统，该系统在医疗图像分类任务中取得了平均 99.77％的分类准确度和 0.69 的平均平均精度，是用于检索多模态医学图像的最佳方法。

    Mar, 2017