論文の概要: Deep learning using Havrda-Charvat entropy for classification of
pulmonary endomicroscopy
- arxiv url: http://arxiv.org/abs/2104.05450v1
- Date: Mon, 12 Apr 2021 13:16:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:30:44.435919
- Title: Deep learning using Havrda-Charvat entropy for classification of
pulmonary endomicroscopy
- Title（参考訳）: Havrda-Charvat Entropy を用いた深層学習による肺内視鏡の分類
- Authors: Thibaud Brochet, Jerome Lapuyade-Lahorgue, Sebastien Bougleux, Mathieu
Salaun, Su Ruan
- Abstract要約: 肺光学内視鏡検査(POE)は、リアルタイムのイメージング技術です。
poe画像シーケンスは、最大25%のシーケンスが非変形フレームであることができる。
内視鏡画像における非情報画像の自動検出法を提案する。
- 参考スコア（独自算出の注目度）: 1.7849339006560667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pulmonary optical endomicroscopy (POE) is an imaging technology in real time.
It allows to examine pulmonary alveoli at a microscopic level. Acquired in
clinical settings, a POE image sequence can have as much as 25% of the sequence
being uninformative frames (i.e. pure-noise and motion artefacts). For future
data analysis, these uninformative frames must be first removed from the
sequence. Therefore, the objective of our work is to develop an automatic
detection method of uninformative images in endomicroscopy images. We propose
to take the detection problem as a classification one. Considering advantages
of deep learning methods, a classifier based on CNN (Convolutional Neural
Network) is designed with a new loss function based on Havrda-Charvat entropy
which is a parametrical generalization of the Shannon entropy. We propose to
use this formula to get a better hold on all sorts of data since it provides a
model more stable than the Shannon entropy. Our method is tested on one POE
dataset including 2947 distinct images, is showing better results than using
Shannon entropy and behaves better with regard to the problem of overfitting.
Keywords: Deep Learning, CNN, Shannon entropy, Havrda-Charvat entropy,
Pulmonary optical endomicroscopy.
- Abstract（参考訳）: 肺の光学的内視鏡(PEE)はリアルタイムのイメージング技術である。
肺胞を顕微鏡的に観察することができる。
臨床環境で取得されたPOE画像シーケンスは、その配列の25%が非形式的フレーム(すなわち、)である。
純粋ノイズと運動人工物)
将来のデータ分析では、これらの非形式的フレームはまずシーケンスから取り除かなければならない。
そこで本研究の目的は,内視鏡画像中の不均一画像の自動検出法を開発することである。
我々は,検出問題を分類問題として捉えることを提案する。
CNN(Convolutional Neural Network)に基づく分類器は,Shannonエントロピーのパラメトリック一般化であるHaverda-Charvatエントロピーに基づく新しい損失関数を用いて設計されている。
我々は、シャノンエントロピーよりも安定なモデルを提供するので、この公式を用いてあらゆる種類のデータをよりよく保持することを提案する。
提案手法は,2947個の異なる画像を含む1つのPOEデータセット上でテストし,シャノンエントロピーを用いた場合よりも優れた結果を示し,オーバーフィッティングの問題に対して良好な振る舞いを示す。
キーワード:Deep Learning, CNN, Shannon entropy, Havrda-Charvat entropy, lung optical endomicroscopy。
関連論文リスト
- KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - MugenNet: A Novel Combined Convolution Neural Network and Transformer Network with its Application for Colonic Polyp Image Segmentation [11.382850637998814]
大腸内視鏡検査では, 正確なポリープ画像分割が重要である。
CNNは、一般的な自動セグメンテーション手法であるが、その主な欠点は、長い訓練時間である。
トランスフォーマーは、情報ごとに異なる重みを割り当てるセルフアテンション機構を利用する。
本稿では,CNNとTransformerを組み合わせることで,両者の強度を維持する手法を提案する。
論文 参考訳（メタデータ） (2024-03-31T15:56:41Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Deep Learning for Size and Microscope Feature Extraction and
Classification in Oral Cancer: Enhanced Convolution Neural Network [30.343802446139186]
オーバーフィッティング問題は、深層学習技術が口腔癌の画像分類でうまく実装されていない理由である。
提案システムは,オートエンコーダ技術を用いて特徴抽出プロセスの効率を向上する拡張畳み込みニューラルネットワークで構成されている。
論文 参考訳（メタデータ） (2022-08-06T08:26:45Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Data Augmentation and CNN Classification For Automatic COVID-19
Diagnosis From CT-Scan Images On Small Dataset [0.0]
肺CT画像からのCOVID1-19自動診断フレームワークを提案する。
本論文では,複数のHounsfield Unit(HU)正規化ウィンドウを用いた一意かつ効果的なデータ拡張手法を提案する。
トレーニング・検証データセットでは,患者の分類精度は93.39%である。
論文 参考訳（メタデータ） (2021-08-16T15:23:00Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Boosted EfficientNet: Detection of Lymph Node Metastases in Breast
Cancer Using Convolutional Neural Network [6.444922476853511]
The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。
そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2020-10-10T15:18:56Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for
False Positive Reduction in Pulmonary Nodule Detection [29.597929819870203]
肺結節検出では、第1段階である候補検出は、疑わしい肺結節を検出することを目的としている。
この課題は,1) 結節数と非結節数の不均衡,2) 非結節数のクラス内多様性により困難である。
本稿では,既存の3次元CNN手法よりも優れた2次元CNNのアンサンブルを用いた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-09T23:18:52Z)
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。