論文の概要: Automatic Chronic Degenerative Diseases Identification Using Enteric Nervous System Images

• arxiv url: http://arxiv.org/abs/2011.00160v1
• Date: Sat, 31 Oct 2020 01:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 04:21:51.352494
• Title: Automatic Chronic Degenerative Diseases Identification Using Enteric Nervous System Images
• Title（参考訳）: 経腸神経系画像を用いた慢性変性疾患の自動同定
• Authors: Gustavo Z. Felipe, Jacqueline N. Zanoni, Camila C. Sehaber-Sierakowski, Gleison D. P. Bossolani, Sara R. G. Souza, Franklin C. Flores, Luiz E. S. Oliveira, Rodolfo M. Pereira, Yandre M. G. Costa
• Abstract要約: 慢性変性疾患が腸管グリア細胞(EGC)に影響を及ぼすことが研究で示されている 本研究では,健常者や慢性変性疾患に影響を及ぼす動物の心電図が得られたかどうかを評価するために,パターン認識と機械学習技術を用いて評価する。 提案手法は,89.30%(慢性関節リウマチ),98.45%(Cancer),95.13%(Diabetes Mellitus)の認識率で健康な細胞を識別できることを示す。
• 参考スコア（独自算出の注目度）: 0.05417521241272644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studies recently accomplished on the Enteric Nervous System have shown that chronic degenerative diseases affect the Enteric Glial Cells (EGC) and, thus, the development of recognition methods able to identify whether or not the EGC are affected by these type of diseases may be helpful in its diagnoses. In this work, we propose the use of pattern recognition and machine learning techniques to evaluate if a given animal EGC image was obtained from a healthy individual or one affect by a chronic degenerative disease. In the proposed approach, we have performed the classification task with handcrafted features and deep learning based techniques, also known as non-handcrafted features. The handcrafted features were obtained from the textural content of the ECG images using texture descriptors, such as the Local Binary Pattern (LBP). Moreover, the representation learning techniques employed in the approach are based on different Convolutional Neural Network (CNN) architectures, such as AlexNet and VGG16, with and without transfer learning. The complementarity between the handcrafted and non-handcrafted features was also evaluated with late fusion techniques. The datasets of EGC images used in the experiments, which are also contributions of this paper, are composed of three different chronic degenerative diseases: Cancer, Diabetes Mellitus, and Rheumatoid Arthritis. The experimental results, supported by statistical analysis, shown that the proposed approach can distinguish healthy cells from the sick ones with a recognition rate of 89.30% (Rheumatoid Arthritis), 98.45% (Cancer), and 95.13% (Diabetes Mellitus), being achieved by combining classifiers obtained both feature scenarios.
• Abstract（参考訳）: 近年の腸神経系に関する研究では、慢性変性疾患が腸グリア細胞(egc)に影響を及ぼすことが示されており、egcがこれらの疾患に影響を受けるかどうかを識別できる認識法の開発がその診断に有用である可能性がある。 本研究では,動物egc画像が健康な個体から得られたか,慢性変性疾患による影響があるかを評価するためのパターン認識と機械学習手法を提案する。 提案手法では,手作りの特徴と,非手作り特徴としても知られる深層学習に基づく手法を用いて分類タスクを行った。 テクスチャ記述子(例えばローカルバイナリパターン(LBP))を用いて,ECG画像のテクスチャ内容から手作りの特徴を得た。 さらに、このアプローチで使用される表現学習技術は、AlexNetやVGG16など、さまざまな畳み込みニューラルネットワーク(CNN)アーキテクチャをベースとしている。 また, 手工芸品と非手工芸品の相補性も後期融合法で評価した。 本論文の貢献であるegc画像のデータセットは、がん、糖尿病、関節リウマチの3つの異なる慢性変性疾患から構成されている。 統計学的解析により,本手法により,89.30% (慢性関節リウマチ),98.45% (Cancer),95.13% (Diabetes Mellitus) の認識率で正常な細胞と疾患細胞を区別し,両者の特徴シナリオを組み合わせて解析した。

関連論文リスト

• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• Feature Representation Learning for Robust Retinal Disease Detection from Optical Coherence Tomography Images [0.0]
  眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。 本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。 2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-24T07:59:36Z)
• Interpretable Graph Convolutional Network of Multi-Modality Brain Imaging for Alzheimer's Disease Diagnosis [14.894215698742924]
  本稿では,アルツハイマー病の同定と分類のための解釈可能なグラフ畳み込みネットワークフレームワークを提案する。 我々はGrad-CAM法を用いて、GCNが同定した最も差別的な特徴を脳接続パターンから定量化した。
  論文  参考訳（メタデータ） (2022-04-27T20:43:11Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Incremental Cross-Domain Adaptation for Robust Retinopathy Screening via Bayesian Deep Learning [7.535751594024775]
  網膜症は、タイムリーに治療されないと、深刻な視覚障害や失明を引き起こす網膜疾患のグループである。 本稿では, 深い分類モデルを用いて, 異常網膜病理を段階的に学習することのできる, 漸進的なクロスドメイン適応手法を提案する。 提案したフレームワークは、6つの公開データセットで評価され、全体的な精度とF1スコアをそれぞれ0.9826と0.9846で達成することで、最先端の競合他社を上回っている。
  論文  参考訳（メタデータ） (2021-10-18T13:45:21Z)
• Cervical Optical Coherence Tomography Image Classification Based on Contrastive Self-Supervised Texture Learning [2.674926127069043]
  本研究の目的は,コンピュータ支援診断(CADx)による頚部CT画像の自己教師付き学習に基づく分類を行うことである。 畳み込みニューラルネットワーク(CNN)によって抽出された高レベルのセマンティックな特徴に加えて、CADxアプローチでは、対照的なテクスチャ学習によって学習された未ラベルの頚部CT画像のテクスチャ特徴を利用する。
  論文  参考訳（メタデータ） (2021-08-11T07:52:59Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。