論文の概要: Prediction of the facial growth direction with Machine Learning methods

• arxiv url: http://arxiv.org/abs/2106.10464v1
• Date: Sat, 19 Jun 2021 10:12:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:49:25.946087
• Title: Prediction of the facial growth direction with Machine Learning methods
• Title（参考訳）: 機械学習による顔面成長方向の予測
• Authors: Stanis{\l}aw Ka\'zmierczak, Zofia Juszka, Piotr Fudalej, Jacek Ma\'ndziuk
• Abstract要約: 顔面成長(FG)方向の予測の最初の試みは半世紀以上前に行われた。 多くの試みと時間の経過にもかかわらず、まだ満足のいく方法が確立されていない。 本論文は,FG方向の予測に対する機械学習アプローチとしては初めてのものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: First attempts of prediction of the facial growth (FG) direction were made over half of a century ago. Despite numerous attempts and elapsed time, a satisfactory method has not been established yet and the problem still poses a challenge for medical experts. To our knowledge, this paper is the first Machine Learning approach to the prediction of FG direction. Conducted data analysis reveals the inherent complexity of the problem and explains the reasons of difficulty in FG direction prediction based on 2D X-ray images. To perform growth forecasting, we employ a wide range of algorithms, from logistic regression, through tree ensembles to neural networks and consider three, slightly different, problem formulations. The resulting classification accuracy varies between 71% and 75%.
• Abstract（参考訳）: 顔の成長(FG)の方向を予測するための最初の試みは、半世紀以上前に行われた。 多くの試みと時間の経過にもかかわらず、まだ満足のいく方法が確立されておらず、医療専門家にはまだ課題がある。 我々の知る限り、本論文はFG方向の予測に対する最初の機械学習アプローチである。 導電性データ解析は問題の本質的な複雑さを明らかにし、2次元X線画像に基づくFG方向予測の困難さの理由を説明する。 成長予測を行うには、ロジスティック回帰からツリーアンサンブル、ニューラルネットワークに至るまで、幅広いアルゴリズムを使用し、3つの、わずかに異なる問題の定式化を検討する。 その結果、分類精度は 71% から 75% に変化する。

関連論文リスト

• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Examining stability of machine learning methods for predicting dementia at early phases of the disease [0.4125187280299248]
  認知症の予測は、通常、正常化された全脳容積(nWBV)とAtlas Scaling Factor(ASF)から収集される収集データの種類に大きく依存する。 多くの研究は認知症を予測するために機械学習を使用しているが、異なる実験条件下でより正確であるこれらの手法の安定性に関する結論には達しなかった。 本稿では,認知症予測のための機械学習アルゴリズムの性能に関する結論安定性について検討する。
  論文  参考訳（メタデータ） (2022-09-10T12:05:51Z)
• Towards better Interpretable and Generalizable AD detection using Collective Artificial Intelligence [0.0]
  アルツハイマー病の診断と予後を自動化するための深層学習法が提案されている。 これらの手法は、しばしば解釈可能性と一般化の欠如に悩まされる。 我々はこれらの制限を克服するために設計された新しいディープ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-07T13:02:53Z)
• Generative Aging of Brain Images with Diffeomorphic Registration [3.645542167239258]
  脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。 本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T08:37:24Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Prediction of the Facial Growth Direction is Challenging [0.0]
  顔の成長方向の予測は機械学習(ML)領域における新しい問題である。 本稿では, 上記の問題において中心的な役割を果たす属性を特徴選択し, 指摘する。 次に、データ拡張手法を適用し、事前に報告した分類精度を2.81%改善する。
  論文  参考訳（メタデータ） (2021-09-28T20:22:01Z)
• 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)

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。