論文の概要: Chronological age estimation of lateral cephalometric radiographs with deep learning

• arxiv url: http://arxiv.org/abs/2101.11805v1
• Date: Thu, 28 Jan 2021 03:43:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-01-31 18:00:25.326106
• Title: Chronological age estimation of lateral cephalometric radiographs with deep learning
• Title（参考訳）: 深層学習による側頭部x線画像の年代推定
• Authors: Ningtao Liu
• Abstract要約: 提案手法は, 側頭頂部X線像の経時的年代推定法により, 時間的年代推定に有効である。 4歳から40歳までのLC画像3014枚について検討した。 実験結果のMEAは1.250であり、最先端のベンチマークの結果より小さい。
• 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: The traditional manual age estimation method is crucial labor based on many kinds of the X-Ray image. Some current studies have shown that lateral cephalometric(LC) images can be used to estimate age. However, these methods are based on manually measuring some image features and making age estimates based on experience or scoring. Therefore, these methods are time-consuming and labor-intensive, and the effect will be affected by subjective opinions. In this work, we propose a saliency map-enhanced age estimation method, which can automatically perform age estimation based on LC images. Meanwhile, it can also show the importance of each region in the image for age estimation, which undoubtedly increases the method's Interpretability. Our method was tested on 3014 LC images from 4 to 40 years old. The MEA of the experimental result is 1.250, which is less than the result of the state-of-the-art benchmark because it performs significantly better in the age group with fewer data. Besides, our model is trained in each area with a high contribution to age estimation in LC images, so the effect of these different areas on the age estimation task was verified. Consequently, we conclude that the proposed saliency map enhancements chronological age estimation method of lateral cephalometric radiographs can work well in chronological age estimation task, especially when the amount of data is small. Besides, compared with traditional deep learning, our method is also interpretable.
• Abstract（参考訳）: 従来の手動年齢推定法は,X線画像の多種性に基づく重要な作業である。 最近の研究では、側方頭部計測(lc)画像が年齢の推定に利用できることが示されている。 しかし、これらの手法は、手動で画像の特徴を測定し、経験や得点に基づいて年齢推定を行う。 したがって、これらの方法は時間的かつ労働集約的であり、主観的意見に影響される。 本研究では,LC画像に基づく年齢推定を自動的に行うことができるサリエンシーマップ型年齢推定手法を提案する。 一方,画像中の各領域の年齢推定の重要性も示せるため,この手法の解釈性が向上することは間違いない。 本手法は4歳から40歳までの3014個のLC画像で試験を行った。 実験結果のmeaは1.250で、データが少ない年齢層でかなり良い結果が得られるため、最先端ベンチマークの結果よりも少ない。 また, lc画像における年齢推定に高い寄与を持つ各領域で訓練を行い, これらの異なる領域が年齢推定タスクに与える影響を検証した。 その結果,特にデータ量が少ない場合において,側頭頂部X線像の経時的年代推定法が時間的年代推定作業に有効であることが示唆された。 また,従来のディープラーニングと比較して,本手法は解釈可能である。

関連論文リスト

• Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks [5.371337604556311]
  小児の骨年齢の推定は、成長障害や関連疾患を診断し、成熟後の最終身長を推定する上で非常に重要である。 骨年齢を推定する従来の方法は、時間を要する左手のアトラス画像とX線画像を比較して行う。 深層ニューラルネットワークモデルを用いて骨の年齢を推定するために,提案手法を用いて骨の精度と速度を改善するために多くの研究がなされている。
  論文  参考訳（メタデータ） (2024-05-23T18:39:33Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)
• FOSS: Multi-Person Age Estimation with Focusing on Objects and Still Seeing Surroundings [1.370633147306388]
  状況によっては、ワイルドとマルチパーソンの年齢推定が必要である。 本研究では,複数の人物の年齢を1つのモデルで検出・推定する手法を提案する。 また,提案手法を個人写真による年齢推定データセットに応用した。
  論文  参考訳（メタデータ） (2020-10-15T06:38:16Z)
• Mini-DDSM: Mammography-based Automatic Age Estimation [0.4932130498861986]
  年齢推定のためのマンモグラムの研究は、私たちが知る限り、行われていない。 年齢属性を持つ公共マンモグラフィーデータセットが不足しているため、ウェブクローラを用いてサムネイルマンモグラフィー画像とその年齢フィールドをパブリックデータセットであるデジタル・データベース・フォー・スクリーニング・マンモグラフィーからダウンロードする。 その後、収集したデータセットから深層学習の特徴を抽出し、ランダムフォレスト回帰器を用いて年齢を自動的に推定するモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-01T15:35:11Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Investigating Bias in Deep Face Analysis: The KANFace Dataset and Empirical Study [67.3961439193994]
  現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。 データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。 提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
  論文  参考訳（メタデータ） (2020-05-15T00:14:39Z)
• Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT Image Data [63.73263986460191]
  特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。 OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。 モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
  論文  参考訳（メタデータ） (2020-04-21T15:43:01Z)

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。