論文の概要: Multiclass Wound Image Classification using an Ensemble Deep CNN-based Classifier

• arxiv url: http://arxiv.org/abs/2010.09593v1
• Date: Mon, 19 Oct 2020 15:20:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:16:37.384942
• Title: Multiclass Wound Image Classification using an Ensemble Deep CNN-based Classifier
• Title（参考訳）: 深層cnnに基づく分類器を用いたマルチクラス創傷画像分類
• Authors: Behrouz Rostami, D.M. Anisuzzaman, Chuanbo Wang, Sandeep Gopalakrishnan, Jeffrey Niezgoda, Zeyun Yu
• Abstract要約: 創傷画像をマルチクラスに分類するためのアンサンブルディープ畳み込みニューラルネットワークに基づく分類器を開発した。 2次分類では96.4%,94.28%,3次分類では91.9%,87.7%であった。
• 参考スコア（独自算出の注目度）: 2.07811670193148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acute and chronic wounds are a challenge to healthcare systems around the world and affect many people's lives annually. Wound classification is a key step in wound diagnosis that would help clinicians to identify an optimal treatment procedure. Hence, having a high-performance classifier assists the specialists in the field to classify the wounds with less financial and time costs. Different machine learning and deep learning-based wound classification methods have been proposed in the literature. In this study, we have developed an ensemble Deep Convolutional Neural Network-based classifier to classify wound images including surgical, diabetic, and venous ulcers, into multi-classes. The output classification scores of two classifiers (patch-wise and image-wise) are fed into a Multi-Layer Perceptron to provide a superior classification performance. A 5-fold cross-validation approach is used to evaluate the proposed method. We obtained maximum and average classification accuracy values of 96.4% and 94.28% for binary and 91.9\% and 87.7\% for 3-class classification problems. The results show that our proposed method can be used effectively as a decision support system in classification of wound images or other related clinical applications.
• Abstract（参考訳）: 急性傷と慢性傷は世界中の医療システムにとって挑戦であり、毎年多くの人々の生活に影響を与える。 創傷分類は、臨床医が最適な治療手順を特定するのに役立つ創傷診断の重要なステップである。 したがって、高性能な分類器を持つことは、現場の専門家が、より少ない財政的、時間的コストで傷を分類するのを助ける。 異なる機械学習と深層学習に基づく創傷分類法が文献に提案されている。 本研究では, 外科的, 糖尿病的, 静脈的潰瘍を含む創傷画像を多クラスに分類する, 深層畳み込みニューラルネットワークを用いた分類器を開発した。 2つの分類器(パッチワイズとイメージワイズ)の出力分類スコアを多層パーセプトロンに供給し、優れた分類性能を提供する。 提案手法の評価には5倍のクロスバリデーション手法を用いる。 3つの分類問題に対して,最大分類精度は96.4%,平均分類精度は94.28%,91.9\%,87.7\%であった。 その結果,本手法は創傷画像などの臨床応用の分類における意思決定支援システムとして有効であることがわかった。

関連論文リスト

• Coronary Artery Disease Classification with Different Lesion Degree Ranges based on Deep Learning [0.6749750044497731]
  侵襲的冠動脈造影(ICA)画像は冠動脈の状態を評価するための金の基準と考えられている。 ディープラーニングの分類法は、様々な分野で広く使われ、開発が進んでいる。
  論文  参考訳（メタデータ） (2024-02-01T13:43:33Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Integrated Image and Location Analysis for Wound Classification: A Deep Learning Approach [3.5427949413406563]
  急性および慢性の傷のグローバルな負担は、傷の分類方法を強化する上で魅力的なケースである。 深層畳み込みニューラルネットワークを用いて, 糖尿病, 血圧, 外科的, 静脈潰瘍の4つのカテゴリーに分類する。 本手法の特筆すべき点は、正確な創傷位置タグ付けを容易にするボディマップシステムの導入である。
  論文  参考訳（メタデータ） (2023-08-23T02:49:22Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Multi-modal Wound Classification using Wound Image and Location by Deep Neural Network [2.25739374955489]
  本研究では、創傷画像とその対応する位置を用いたディープニューラルネットワークに基づくマルチモーダル分類器を開発した。 位置データを作成するためにボディマップも開発されており、傷の専門医が傷の場所をより効率的にタグ付けするのに役立つ。
  論文  参考訳（メタデータ） (2021-09-14T21:00:30Z)
• 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)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Multiclass Burn Wound Image Classification Using Deep Convolutional Neural Networks [0.0]
  創傷専門家が管理プロトコルのより正確な診断と最適化を可能にするためには、継続的な創傷監視が重要です。 本研究では, 深層学習による傷傷画像の分類を, 傷の状況に応じて2、3つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2021-03-01T23:54:18Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。