文献

J-GLOBAL ID：202202274782661674   整理番号：22A0890398

ハンギングプロトコル,関連プライア,およびワークフロー最適化のための身体部分をより確実に検出するための連合深層学習【JST・京大機械翻訳】

Federated Deep Learning to More Reliably Detect Body Part for Hanging Protocols, Relevant Priors, and Workflow Optimization

著者 (4件)： Filice Ross W. (Department of Radiology, MedStar Georgetown University Hospital, Washington DC, USA) ,  Stein Anouk (Department of Medical Imaging, University of Toronto, Toronto, ON, Canada) ,  Pan Ian (Department of Radiology, Brigham and Women’s Hospital, Harvard Medical School, Boston, MA, USA) ,  Shih George (Department of Radiology, Weill Cornell Medicine, New York, NY, USA)
資料名： Journal of Digital Imaging  (Journal of Digital Imaging)
巻： 35  号： 2  ページ： 335-339  発行年： 2022年 
JST資料番号： W4566A  ISSN： 0897-1889  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 解釈のための放射線医学検査の準備は,比較とともに検査を最適に表示するために,関連する事前検査と,懸垂プロトコルの実施を必要とする。体部は,プレフェッチと懸垂プロトコルの両方を容易にするための情報の重要な部分であるが,医学(DICOM)標準におけるディジタルイメージングと通信を用いて符号化された身体部分情報は,広く可変で,誤差がかかりやすく,粒状で十分でなく,または,失語を欠いている。これは,不適当な検査が,先行するか,または,関連した検査を残すのに,不適当な検査であった。懸垂プロトコル最適化は,同様に苦しむ。現代の人工知能(AI)技術は,特に連合深層学習技術を利用するとき,放射線検査内の画像データに基づく身体部分の高精度自動検出を可能にする。これは,この分類とワークフローのより信頼できる実装を可能にする。さらに,動的懸垂プロトコルや画像表示のような検査視野をさらに最適化する新しい道を,これらの技術を用いて実装できる。Copyright The Author(s) under exclusive licence to Society for Imaging Informatics in Medicine 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  データ ,  ニューラルネットワーク ,  懸垂 ,  画像処理 ,  人工知能 ,  *身体部位 ,  ディジタル方式 ,  *プロトコル ,  失語 ,  放射線医学 ,  *機械学習 ,  *ワークフロー
準シソーラス用語： 画像データ ,  自動検出 ,  画像表示 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： 深層学習 ,  連合学習 ,  畳込みニューラルネットワーク ,  DICOM ,  身体部分 ,  プリフェッチ ,  ハンギングプロトコル

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： ワークフロー ,  最適化 ,  身体部分 ,  深層学習