Fugu-MT 論文翻訳(概要): Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning

論文の概要: Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning

arxiv url: http://arxiv.org/abs/2011.11459v1
Date: Mon, 23 Nov 2020 15:16:14 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 01:53:38.677005
Title: Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning
Title（参考訳）: 深層学習によるニキビ皮膚病変の自動検出と分類
Authors: Lauren Michelle Pfeifer and Matias Valdenegro-Toro
Abstract要約: この研究は、さまざまな畳み込みニューラルネットワークモデルを用いて、粘着性皮膚病変を検出することによって、Burlinaらによるアプローチに基づいている。われわれは、Googleから7つの言語で画像を取得してデータ入力を拡張し、トレーニングデータを多様化し、皮膚病変検出の精度を向上させるかどうかを検証した。
参考スコア（独自算出の注目度）: 7.6146285961466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Around the globe, ticks are the culprit of transmitting a variety of bacterial, viral and parasitic diseases. The incidence of tick-borne diseases has drastically increased within the last decade, with annual cases of Lyme disease soaring to an estimated 300,000 in the United States alone. As a result, more efforts in improving lesion identification approaches and diagnostics for tick-borne illnesses is critical. The objective for this study is to build upon the approach used by Burlina et al. by using a variety of convolutional neural network models to detect tick-borne skin lesions. We expanded the data inputs by acquiring images from Google in seven different languages to test if this would diversify training data and improve the accuracy of skin lesion detection. The final dataset included nearly 6,080 images and was trained on a combination of architectures (ResNet 34, ResNet 50, VGG 19, and Dense Net 121). We obtained an accuracy of 80.72% with our model trained on the DenseNet 121 architecture.
Abstract（参考訳）: 世界中で、ダニは様々な細菌、ウイルス、寄生虫の病気を伝染する原因となっている。ダニ媒介病の発生率は過去10年で大幅に増加し、ライム病の年間感染者はアメリカ合衆国だけで推定30万人に上った。その結果,病変同定法の改善やダニ媒介疾患の診断への取り組みが重要となる。本研究の目的は,様々な畳み込みニューラルネットワークモデルを用いて皮膚の皮膚病変を検出することによって,Burlinaらによるアプローチを構築することである。 7つの異なる言語でGoogleから画像を取得してデータ入力を拡張し、トレーニングデータの多様化と皮膚病変検出の精度の向上を検証した。最終的なデータセットには、約6,080の画像が含まれ、アーキテクチャの組み合わせ(ResNet 34、ResNet 50、VGG 19、Dense Net 121)でトレーニングされた。 DenseNet 121アーキテクチャでトレーニングしたモデルの精度は80.72%でした。

関連論文リスト

Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
論文参考訳（メタデータ） (2024-11-23T15:51:15Z)
Attention Based Feature Fusion Network for Monkeypox Skin Lesion Detection [0.09642500063568188]
最近のサルポックスの流行は公衆衛生に重大な懸念をもたらしている。深層学習アルゴリズムは、新型コロナウイルス(COVID-19)を含む病気の特定に利用できる。本稿では,ヒトサルポックス病を分類するために,事前学習した2つのアーキテクチャをマージする軽量モデルを提案する。
論文参考訳（メタデータ） (2024-08-13T05:21:03Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Transfer learning and Local interpretable model agnostic based visual approach in Monkeypox Disease Detection and Classification: A Deep Learning insights [0.0]
近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
論文参考訳（メタデータ） (2022-11-01T18:07:34Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Efficient and Visualizable Convolutional Neural Networks for COVID-19 Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。ディープラーニングは有望な診断技術として登場した。本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文参考訳（メタデータ） (2020-12-22T07:09:48Z)
A Computer Vision Approach to Combat Lyme Disease [0.16361045780285935]
ライム病(英: Lyme disease)は、感染したIxodes属の種(黒いくちばし)から噛まれて伝染する感染症である。北米で最も成長しているベクター病の1つであり、地理的な足跡を拡大している。ライム病の治療は時間に敏感であり、Ixodes種に噛まれた72時間以内に抗生物質(予防薬)を患者に投与することで治療することができる。
論文参考訳（メタデータ） (2020-09-24T20:00:02Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。