論文の概要: Diagnosis of Autism in Children using Facial Analysis and Deep Learning
- arxiv url: http://arxiv.org/abs/2008.02890v1
- Date: Thu, 6 Aug 2020 22:15:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 06:54:50.275079
- Title: Diagnosis of Autism in Children using Facial Analysis and Deep Learning
- Title（参考訳）: 顔分析と深層学習を用いた小児自閉症の診断
- Authors: Madison Beary, Alex Hadsell, Ryan Messersmith, Mohammad-Parsa Hosseini
- Abstract要約: 本研究では,ディープラーニングを用いた94.6%の精度で,子どもを健康的あるいは自閉症に分類するディープラーニングモデルを提案する。
自閉症患者は、社会的スキル、反復行動、コミュニケーションに苦しむ。
そこで本研究では,画像のみを用いて自閉症の診断を効果的に行うことを提案する。
- 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 introduce a deep learning model to classify children as
either healthy or potentially autistic with 94.6% accuracy using Deep Learning.
Autistic patients struggle with social skills, repetitive behaviors, and
communication, both verbal and nonverbal. Although the disease is considered to
be genetic, the highest rates of accurate diagnosis occur when the child is
tested on behavioral characteristics and facial features. Patients have a
common pattern of distinct facial deformities, allowing researchers to analyze
only an image of the child to determine if the child has the disease. While
there are other techniques and models used for facial analysis and autism
classification on their own, our proposal bridges these two ideas allowing
classification in a cheaper, more efficient method. Our deep learning model
uses MobileNet and two dense layers in order to perform feature extraction and
image classification. The model is trained and tested using 3,014 images,
evenly split between children with autism and children without it. 90% of the
data is used for training, and 10% is used for testing. Based on our accuracy,
we propose that the diagnosis of autism can be done effectively using only a
picture. Additionally, there may be other diseases that are similarly
diagnosable.
- Abstract（参考訳）: 本稿では,子どもを,94.6%の精度で,健康的か潜在的自閉症かのどちらかに分類する深層学習モデルを提案する。
自閉症の患者は、言語と非言語の両方において、社会的スキル、反復的な行動、コミュニケーションに苦しむ。
この疾患は遺伝性と考えられているが、子供の行動特性や顔の特徴を調べると、正確な診断率が最も高い。
患者は顔の変形のパターンが共通しており、研究者は子供の画像のみを分析して、子供が病気を持っているかどうかを判断することができる。
顔分析や自閉症の分類には他にも手法やモデルがあるが,提案手法は,より安価で効率的な方法での分類を可能にする2つのアイデアを橋渡しする。
当社のディープラーニングモデルは,mobilenetと2つの高密度レイヤを使用して,特徴抽出と画像分類を行う。
モデルは3,014枚の画像を使って訓練・テストされ、自閉症の子供とそれのない子供の間に均等に分けられている。
データの90%がトレーニングに使われ、10%がテストに使用される。
本研究の精度から,自閉症の診断は画像のみを用いて効果的に行えることを提案する。
また、同様の診断が可能な疾患もある。
関連論文リスト
- Accurate Autism Spectrum Disorder prediction using Support Vector
Classifier based on Federated Learning (SVCFL) [0.0]
自閉症スペクトラム障害の予測には99%の精度が得られ, 結果が13%改善した。
本稿では,自閉症スペクトラム障害の予測に99%の精度を達成し,その結果を13%改善した。
論文 参考訳（メタデータ） (2023-11-08T11:14:29Z) - Screening Autism Spectrum Disorder in childrens using Deep Learning
Approach : Evaluating the classification model of YOLOv8 by comparing with
other models [0.0]
そこで本稿では,YoloV8モデルを用いた顔画像を用いたASDスクリーニングの実践的解決策を提案する。
分類の精度は89.64%、F1スコアは0.89。
論文 参考訳（メタデータ） (2023-06-25T18:02:01Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳（メタデータ） (2023-06-15T16:22:57Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Action-based Early Autism Diagnosis Using Contrastive Feature Learning [2.922007656878633]
自閉症スペクトラム障害(Autism Spectrum disorder, ASD)は、神経疾患である。
その主な症状は、(言語および/または非言語)コミュニケーションの困難さ、硬直的/反復的な行動である。
本稿では,簡単なアクションビデオクリップを用いて,自閉症の診断を自動化するための学習的アプローチを提案する。
論文 参考訳（メタデータ） (2022-09-12T16:31:34Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳（メタデータ） (2022-01-27T16:37:19Z) - Detecting Autism Spectrum Disorders with Machine Learning Models Using
Speech Transcripts [0.0]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、子どもの相互作用、コミュニケーション、他者との交流に影響を及ぼす神経発達障害として定義される。
ASDを正確に診断する現在の方法は、侵襲的、時間的、退屈である。
音声を使った機械学習モデル、顔からのコンピュータービジョン、網膜、脳MRI画像など、この疾患を正確にタイムリーに検出する新しい技術が急速に発展しつつある。
論文 参考訳（メタデータ） (2021-10-07T09:10:15Z) - Detecting Fetal Alcohol Spectrum Disorder in children using Artificial
Neural Network [3.9954080397757954]
胎児アルコールスペクトラム障害(英: Fetal alcohol spectrum disorder, FASD)は、妊娠中の母親のアルコール摂取量と他の子供の状態との違いのみが異なる症候群である。
本研究は,小児のFASD分類における人工知能ニューラルネットワーク(ANN)の有用性を評価することに焦点を当てた。
論文 参考訳（メタデータ） (2021-05-31T16:02:01Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。
我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-08-21T20:22:55Z)
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。