Fugu-MT 論文翻訳(概要): A Competitive Deep Neural Network Approach for the ImageCLEFmed Caption 2020 Task

論文の概要: A Competitive Deep Neural Network Approach for the ImageCLEFmed Caption 2020 Task

arxiv url: http://arxiv.org/abs/2007.14226v3
Date: Tue, 22 Sep 2020 19:34:50 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 13:17:14.189499
Title: A Competitive Deep Neural Network Approach for the ImageCLEFmed Caption 2020 Task
Title（参考訳）: ImageCLEFmed Caption 2020タスクのための競合型ディープニューラルネットワークアプローチ
Authors: Marimuthu Kalimuthu, Fabrizio Nunnari, Daniel Sonntag
Abstract要約: この問題に対処するためのDeep Neural Networkベースのアプローチについて説明する。 3,534枚のX線画像を用いてF1スコア0.375を達成し,挑戦に成功している全システムのうち12位にランクインした。
参考スコア（独自算出の注目度）: 2.2237337682863125
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The aim of ImageCLEFmed Caption task is to develop a system that automatically labels radiology images with relevant medical concepts. We describe our Deep Neural Network (DNN) based approach for tackling this problem. On the challenge test set of 3,534 radiology images, our system achieves an F1 score of 0.375 and ranks high, 12th among all systems that were successfully submitted to the challenge, whereby we only rely on the provided data sources and do not use any external medical knowledge or ontologies, or pretrained models from other medical image repositories or application domains.
Abstract（参考訳）: ImageCLEFmed Captionタスクの目的は、放射線画像に関連する医療概念をラベル付けするシステムを開発することである。本稿では,この問題に取り組むための深層ニューラルネットワーク(dnn)ベースのアプローチについて述べる。 3,534枚のX線画像のチャレンジテストセットにおいて,本システムではF1スコア0.375を達成し,得られたデータのみに依存し,外部の医用知識やオントロジー,あるいは他の医用画像リポジトリやアプリケーションドメインから事前学習したモデルを用いないシステムのうち,12位にランクインした。

関連論文リスト

Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文参考訳（メタデータ） (2024-07-17T23:23:09Z)
VisionCLIP: An Med-AIGC based Ethical Language-Image Foundation Model for Generalizable Retina Image Analysis [10.151693987418348]
VisionCLIPと呼ばれる網膜画像解析のための倫理的言語イメージ基盤モデルをキュレートするために、自然言語記述と組み合わせた100万のオープンソース合成基礎画像を利用する。 VisionCLIPは、ゼロショット方式で実世界のデータで事前訓練された既存の方法と比較して、3つの外部データセット上での競合性能を達成する。人工的に合成された画像と、それに対応するテキストデータとを併用することにより、医療基盤モデルは、疾患症状学の知識をうまく同化することができ、患者の機密性の潜在的な侵害を回避することができる。
論文参考訳（メタデータ） (2024-03-16T06:21:19Z)
Free Form Medical Visual Question Answering in Radiology [3.495246564946556]
医療用ビジュアル質問回答の研究は、2018年以来、勢いを増している。本研究は,放射線画像の効果的表現とマルチモーダル表現の連成学習について考察する。我々のモデルは、より複雑なアーキテクチャでトップ1の精度79.55%を実現し、現在の最先端モデルに匹敵する性能を示す。
論文参考訳（メタデータ） (2024-01-23T20:26:52Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文参考訳（メタデータ） (2023-04-05T12:04:55Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
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)
Interpretation of smartphone-captured radiographs utilizing a deep learning-based approach [0.0]
この問題に対処するために、新たにリリースされたCheXphotoデータセットでトレーニングされたディープラーニングベースニューラルネットワークのシーケンスで構成されるシステムを提案する。私たちの知る限りでは、これはスマートフォンで撮影した電波を処理できることを示す最初の論文です。
論文参考訳（メタデータ） (2020-09-13T08:26:10Z)

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。