論文の概要: Prediction of MRI Hardware Failures based on Image Features using Ensemble Learning

• arxiv url: http://arxiv.org/abs/2001.01213v1
• Date: Sun, 5 Jan 2020 11:21:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 07:42:38.140143
• Title: Prediction of MRI Hardware Failures based on Image Features using Ensemble Learning
• Title（参考訳）: アンサンブル学習を用いた画像特徴に基づくMRIハードウェア故障の予測
• Authors: Nadine Kuhnert, Lea Pfl\"uger, Andreas Maier
• Abstract要約: 本研究では,20チャンネルのヘッド/ネックコイルの故障を画像計測により予測することに焦点を当てた。 この問題を解決するために、我々は2つの異なるレベルのデータを使用する。1つのレベルはコイルチャネル毎に1次元の特徴を指し、そこで完全に接続されたニューラルネットワークが最高の性能を発揮することを発見した。 他のデータレベルは、全体のコイル状態を表す行列を使用し、異なるニューラルネットワークを供給します。
• 参考スコア（独自算出の注目度）: 8.889876750552615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to ensure trouble-free operation, prediction of hardware failures is essential. This applies especially to medical systems. Our goal is to determine hardware which needs to be exchanged before failing. In this work, we focus on predicting failures of 20-channel Head/Neck coils using image-related measurements. Thus, we aim to solve a classification problem with two classes, normal and broken coil. To solve this problem, we use data of two different levels. One level refers to one-dimensional features per individual coil channel on which we found a fully connected neural network to perform best. The other data level uses matrices which represent the overall coil condition and feeds a different neural network. We stack the predictions of those two networks and train a Random Forest classifier as the ensemble learner. Thus, combining insights of both trained models improves the prediction results and allows us to determine the coil's condition with an F-score of 94.14% and an accuracy of 99.09%.
• Abstract（参考訳）: トラブルのない運用を実現するためには,ハードウェア障害の予測が不可欠である。 これは特に医療システムに当てはまる。 私たちの目標は、失敗する前に交換する必要があるハードウェアを決定することです。 本研究では,20チャンネルのヘッド・ネックコイルの故障を画像による計測により予測する。 そこで本研究では,通常のコイルと破損コイルの2種類の分類問題を解くことを目的とする。 この問題を解決するために、2つの異なるレベルのデータを使用します。 1つのレベルは、1つのコイルチャネルごとに1次元の特徴を指しており、最もよく機能する完全に接続されたニューラルネットワークを見出した。 他のデータレベルは、全体のコイル状態を表す行列を使用し、異なるニューラルネットワークを供給します。 これら2つのネットワークの予測を積み重ね、ランダムフォレスト分類器をアンサンブル学習器として訓練する。 したがって、両モデルの洞察を組み合わせることで予測結果が向上し、fスコア94.14%、精度99.09%でコイルの状態を決定することができる。

関連論文リスト

• Recurrent and Convolutional Neural Networks in Classification of EEG Signal for Guided Imagery and Mental Workload Detection [0.9895793818721335]
  本稿では,26名の学生を対象に,高密度アレイ脳波増幅器を用いたガイド画像緩和技術と精神作業負荷に関する調査を行った。
  論文  参考訳（メタデータ） (2024-05-27T07:49:30Z)
• Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
  我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。 第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。 第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
  論文  参考訳（メタデータ） (2024-04-30T18:39:41Z)
• Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images [0.6798775532273751]
  COVID19-DANetは、機能抽出のためにトレーニング済みのCNNバックボーンに基づいている。 SARS-CoV-2-CTとCOVID19-CTデータセットを使用して、4つのクロスデータセットシナリオでテストされる。
  論文  参考訳（メタデータ） (2023-11-14T20:36:34Z)
• Can neural networks count digit frequency? [16.04455549316468]
  本研究では,従来の機械学習モデルとニューラルネットワークの性能を比較し,各桁の出現頻度を推定する。 ニューラルネットワークは6桁と10桁の両方のレグレッションと分類の指標で、従来の機械学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-09-25T03:45:36Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Anomaly Detection using Capsule Networks for High-dimensional Datasets [0.0]
  本研究では, カプセルネットワークを用いて異常検出を行う。 我々の知る限りでは、これはカプセルネットワークが高次元複素データ設定における異常検出タスクのために解析される最初の事例である。
  論文  参考訳（メタデータ） (2021-12-27T05:07:02Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。