論文の概要: Classification of Diabetic Retinopathy via Fundus Photography:
Utilization of Deep Learning Approaches to Speed up Disease Detection
- arxiv url: http://arxiv.org/abs/2007.09478v1
- Date: Sat, 18 Jul 2020 17:11:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 05:23:06.347716
- Title: Classification of Diabetic Retinopathy via Fundus Photography:
Utilization of Deep Learning Approaches to Speed up Disease Detection
- Title（参考訳）: 基礎写真を用いた糖尿病網膜症の分類 : 深層学習による疾患検出の高速化
- Authors: Hangwei Zhuang and Nabil Ettehadi
- Abstract要約: 糖尿病網膜症分類問題に対する2つの解決策を提案する。
最初のアプローチでは、浅いニューラルネットワークアーキテクチャを導入します。
第2のアプローチでは、トランスファーラーニングを使用して、非常に深いニューラルネットワークの最後の修正されたレイヤを再トレーニングし、より頻度の低いクラスへのモデルの能力を改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose two distinct solutions to the problem of Diabetic
Retinopathy (DR) classification. In the first approach, we introduce a shallow
neural network architecture. This model performs well on classification of the
most frequent classes while fails at classifying the less frequent ones. In the
second approach, we use transfer learning to re-train the last modified layer
of a very deep neural network to improve the generalization ability of the
model to the less frequent classes. Our results demonstrate superior abilities
of transfer learning in DR classification of less frequent classes compared to
the shallow neural network.
- Abstract（参考訳）: 本稿では,糖尿病網膜症(DR)分類問題に対する2つの異なる解法を提案する。
最初のアプローチでは、浅いニューラルネットワークアーキテクチャを紹介します。
このモデルは最も頻繁なクラスの分類でうまく機能するが、頻繁でないクラスの分類には失敗する。
第2のアプローチでは、トランスファーラーニングを使用して、非常に深いニューラルネットワークの最後の修正層をトレーニングし、モデルの一般化能力をより少ないクラスに向上させる。
本研究は,浅層ニューラルネットワークと比較して,低頻度クラスdr分類におけるトランスファー学習の優れた能力を示す。
関連論文リスト
- Transfer-Ensemble Learning based Deep Convolutional Neural Networks for
Diabetic Retinopathy Classification [0.7614628596146599]
本稿では,糖尿病性網膜症 (DR) を,VGG16 と Inception V3 の2つのよく訓練された畳み込みニューラルネットワークに基づくアンサンブルアプローチを用いて,5つのクラスに分類することを目的とする。
実験結果から,DR分類におけるアンサンブルモデルの有効性が96.4%の精度で示された。
論文 参考訳（メタデータ） (2023-08-01T13:07:39Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - A novel adversarial learning strategy for medical image classification [9.253330143870427]
補助畳み込みニューラルネットワーク(AuxCNN)は、中間層のトレーニングを容易にするために、従来の分類ネットワーク上に採用されている。
本研究では,医用画像分類のための深層ニューラルネットワークのトレーニングを支援するための,対角学習に基づくAuxCNNを提案する。
論文 参考訳（メタデータ） (2022-06-23T06:57:17Z) - Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification [0.45687771576879593]
糖尿病は世界中で多くの人に影響を与えている。
このような潰瘍を感染症、虚血、ヌーネ、感染症のいずれかに分類できる必要がある。
論文 参考訳（メタデータ） (2021-10-05T06:28:36Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。
inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
論文 参考訳（メタデータ） (2020-12-21T15:39:17Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z)
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。