論文の概要: Analysis Towards Classification of Infection and Ischaemia of Diabetic
Foot Ulcers
- arxiv url: http://arxiv.org/abs/2104.03068v1
- Date: Wed, 7 Apr 2021 11:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 12:49:34.586874
- Title: Analysis Towards Classification of Infection and Ischaemia of Diabetic
Foot Ulcers
- Title（参考訳）: 糖尿病性足部潰瘍の感染症・虚血の分類と解析
- Authors: Moi Hoon Yap and Bill Cassidy and Joseph M. Pappachan and Claire
O'Shea and David Gillespie and Neil Reeves
- Abstract要約: 本稿では,糖尿病性足部潰瘍データ(dfuc 2021)について,感染と虚血を主眼とした病態解析について紹介する。
DFUC 2021の最終リリースは15,683のDFUパッチと5,955のトレーニング、5,734のテスト、5,994のDFUパッチで構成されている。
ディープラーニングの5つの重要なバックボーンのパフォーマンスをベンチマークします。
VGG16, ResNet101, InceptionV3, DenseNet121, EfficientNet on DFUC 2021。
- 参考スコア（独自算出の注目度）: 5.746418369209802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the Diabetic Foot Ulcers dataset (DFUC2021) for
analysis of pathology, focusing on infection and ischaemia. We describe the
data preparation of DFUC2021 for ground truth annotation, data curation and
data analysis. The final release of DFUC2021 consists of 15,683 DFU patches,
with 5,955 training, 5,734 for testing and 3,994 unlabeled DFU patches. The
ground truth labels are four classes, i.e. control, infection, ischaemia and
both conditions. We curate the dataset using image hashing techniques and
analyse the separability using UMAP projection. We benchmark the performance of
five key backbones of deep learning, i.e. VGG16, ResNet101, InceptionV3,
DenseNet121 and EfficientNet on DFUC2021. We report the optimised results of
these key backbones with different strategies. Based on our observations, we
conclude that EfficientNetB0 with data augmentation and transfer learning
provided the best results for multi-class (4-class) classification with
macro-average Precision, Recall and F1-score of 0.57, 0.62 and 0.55,
respectively. In ischaemia and infection recognition, when trained on
one-versus-all, EfficientNetB0 achieved comparable results with the state of
the art. Finally, we interpret the results with statistical analysis and
Grad-CAM visualisation.
- Abstract（参考訳）: 本稿では,糖尿病性足部潰瘍データ(dfuc2021)について,感染と虚血を主眼とした病態解析について紹介する。
本稿では,事実アノテーション,データキュレーション,データ分析のためのdfuc2021のデータ作成について述べる。
DFUC2021の最終リリースは15,683のDFUパッチと5,955のトレーニング、5,734のテスト、そして3,994のDFUパッチで構成されている。
グランド・真実のラベルは 4つのクラス、つまり
コントロール、感染、虚血、および両方の状態。
画像ハッシュ技術を用いてデータセットをキュレートし、UMAPプロジェクションを用いて分離性を分析する。
ディープラーニングの5つの重要なバックボーンのパフォーマンスをベンチマークする。
VGG16, ResNet101, InceptionV3, DenseNet121, EfficientNet on DFUC2021。
異なる戦略でこれらのキーバックボーンの最適化結果を報告する。
その結果,データ拡張学習と転送学習を併用したEfficientNetB0は,マクロ平均精度0.57,0.62,F1スコア0.55のマルチクラス(4クラス)分類に最適であることがわかった。
EfficientNetB0は, 虚血や感染症の認識において, 術式と同等の結果を得た。
最後に,統計解析とgrad-camの可視化により結果の解釈を行う。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Learning to diagnose common thorax diseases on chest radiographs from
radiology reports in Vietnamese [0.33598755777055367]
ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。
このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
論文 参考訳（メタデータ） (2022-09-11T06:06:03Z) - Translating Clinical Delineation of Diabetic Foot Ulcers into Machine
Interpretable Segmentation [3.9903913600002507]
本稿では,新しい糖尿病性足潰瘍データセットであるDFUC2022を提案する。
深層学習ネットワークによる臨床記述が機械的解釈可能か,画像処理による精細な輪郭の使用が必要かを評価する。
本稿では,精細な輪郭を用いた画像処理が,機械予測結果とよりよく一致できることを実証する。
論文 参考訳（メタデータ） (2022-04-22T09:54:35Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Diabetic Foot Ulcer Grand Challenge 2021: Evaluation and Summary [6.282069822653609]
本稿では, 糖尿病性足の潰瘍問題2021で用いられる方法の評価を行い, 各ネットワークから得られた結果を要約する。
最高性能のネットワークは上位3モデルの結果のアンサンブルであり、マクロ平均F1スコアは0.6307である。
論文 参考訳（メタデータ） (2021-11-19T15:18:53Z) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Predictive Analysis of Diabetic Retinopathy with Transfer Learning [0.0]
本稿では,糖尿病網膜症分類のためのCNNアーキテクチャの性能をトランスファーラーニングの助けを借りて検討する。
その結果,VGG 16モデルを用いた画像ネット重み付きトランスファー学習は,95%の精度で最高の分類性能を示した。
論文 参考訳（メタデータ） (2020-11-08T18:54:57Z)
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。