論文の概要: Classification of Fracture and Normal Shoulder Bone X-Ray Images Using
Ensemble and Transfer Learning With Deep Learning Models Based on
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2102.00515v1
- Date: Sun, 31 Jan 2021 19:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 18:14:02.965337
- Title: Classification of Fracture and Normal Shoulder Bone X-Ray Images Using
Ensemble and Transfer Learning With Deep Learning Models Based on
Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークに基づく深層学習モデルを用いたアンサンブル・トランスファー学習による骨折・正常肩骨X線画像の分類
- Authors: Fatih Uysal, F{\i}rat Hardala\c{c}, Ozan Peker, Tolga Tolunay and Nil
Tokg\"oz
- Abstract要約: 様々な理由で肩骨折が起こり、身体の他の関節よりも広く、より多様な動きの領域が生じる。
画像はX線(X線)、磁気共鳴画像(MRI)、CT(CT)デバイスを介して肩用のデジタルイメージング・通信(DICOM)フォーマットで生成される。
移動学習とアンサンブル学習を用いた畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを用いて,肩骨X線画像の分類と比較を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Various reasons cause shoulder fractures to occur, an area with wider and
more varied range of movement than other joints in body. Firstly, images in
digital imaging and communications in medicine (DICOM) format are generated for
shoulder via Xradiation (Xray), magnetic resonance imaging (MRI) or computed
tomography (CT) devices to diagnose and treat such fractures. Shoulder bone
Xray images were classified and compared via deep learning models based on
convolutional neural network (CNN) using transfer learning and ensemble
learning in this study to help physicians diagnose and apply required treatment
for shoulder fractures. There are a total of 8379, 4211 normal (negative,
nonfracture) and 4168 abnormal (positive, fracture) 3 channel shoulder bone
Xray images with png format for train data set, and a total of 563, 285 normal
and 278 abnormal 3 channel shoulder bone Xray images with png format for
validation and test data in classification conducted using all shoulder images
in musculoskeletal radiographs (MURA) dataset, one of the largest public
radiographic image datasets. CNN based built deep learning models herein are;
ResNet, ResNeXt, DenseNet, VGG, Inception and MobileNet. Moreover, a
classification was also performed by Spinal fully connected (Spinal FC)
adaptations of all models. Transfer learning was applied for all these
classification procedures. Two different ensemble learning (EL) models were
established based on performance of classification results obtained herein. The
highest Cohens Kappa score of 0.6942 and highest classification test accuracy
of 84.72% were achieved in EL2 model, and the highest AUC score of 0.8862 in
EL1.
- Abstract（参考訳）: 様々な理由で肩骨折が起こり、身体の他の関節よりも広く、より多様な動きの領域が生じる。
まず、X線(Xradiation)、磁気共鳴イメージング(MRI)、CT(Computerd Tomography)デバイスを介して肩にデジタルイメージングと医療(DICOM)形式のコミュニケーションの画像を生成し、そのような骨折を診断および治療します。
肩関節X線画像は, 畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを用いて, 転帰学習とアンサンブル学習を用いて, 医師が肩関節骨折の診断と治療を行えるように分類し, 比較した。
列車用データセットには、8379, 4211 正常(負、非骨折)、4168 異常(正、骨折) 3 チャンネル肩骨x線画像と、563, 285 正常、および 278 異常 3 チャンネル肩骨x線画像と png 形式の異常 3 チャンネル肩骨x線画像があり、最大の公共放射線画像データセットである musculoskeletal radiographs (mura) の全ての肩画像を用いて、分類と試験を行う。
CNNベースのディープラーニングモデルには、ResNet、ResNeXt、DenseNet、VGG、Inception、MobileNetがある。
また,全モデルの脊髄完全連結(spinal fc)適応による分類も行った。
これらすべての分類手順に転送学習が適用された。
ここで得られた分類結果に基づいて,2つの異なるアンサンブル学習(EL)モデルが確立された。
EL2モデルではコーエンス・カッパ最高点0.6942、分類精度84.72%、EL1ではAUC最高点0.8862を達成した。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Predicting skull fractures via CNN with classification algorithms [0.0]
ResNet50は、頭蓋骨の骨折を脳のCTスキャンから3つの骨折カテゴリに分類するために開発された。
F1スコアは96%、ハミングスコアは95%、バランスドスコアは94%、OC AUC曲線は96%であった。
論文 参考訳（メタデータ） (2022-08-14T01:37:23Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - SCREENet: A Multi-view Deep Convolutional Neural Network for
Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。
画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
論文 参考訳（メタデータ） (2020-09-18T00:12:33Z) - A Computer-Aided Diagnosis System Using Artificial Intelligence for Hip
Fractures -Multi-Institutional Joint Development Research- [12.529791744398596]
我々は,複数のセンターで収集した大規模なデータセットに基づいて学習した深層学習モデルを用いて,平面前頭部X線に対するコンピュータ支援診断システムを開発した。
学習モデルの診断精度は96.1%、感度95.2%、特異度96.9%、F値0.961、AUC 0.99である。
論文 参考訳（メタデータ） (2020-03-11T11:16:39Z)
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。