論文の概要: Benchmarking convolutional neural networks for diagnosing Lyme disease
from images
- arxiv url: http://arxiv.org/abs/2106.14465v1
- Date: Mon, 28 Jun 2021 08:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 13:47:36.567952
- Title: Benchmarking convolutional neural networks for diagnosing Lyme disease
from images
- Title(参考訳): 画像からライム病診断のためのコンボリューションニューラルネットワークのベンチマーク
- Authors: Sk Imran Hossain (LIMOS), Jocelyn de Go\"er de Herve (INRAE), Md
Shahriar Hassan (LIMOS), Delphine Martineau, Evelina Petrosyan, Violaine
Corbain, Jean Beytout, Isabelle Lebert (INRAE), Elisabeth Baux (CHRU Nancy),
C\'eline Cazorla (CHU de Saint-Etienne), Carole Eldin (IHU M\'editerran\'ee
Infection), Yves Hansmann, Solene Patrat-Delon, Thierry Prazuck (CHR), Alice
Raffetin (CHIV), Pierre Tattevin (CHU Rennes), Gwena\"el Vourc'H (INRAE),
Olivier Lesens, Engelbert Nguifo (LIMOS)
- Abstract要約: ライム病は世界で最も一般的な感染症の一つである。
近年の研究では、畳み込みニューラルネットワーク(CNN)が画像から皮膚の病変を識別するのに非常に有効であることが示されている。
プライバシの懸念が主な理由として、ライム病の予測のための公開のEMイメージデータセットは存在しない。
- 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: Lyme disease is one of the most common infectious vector-borne diseases in
the world. In the early stage, the disease manifests itself in most cases with
erythema migrans (EM) skin lesions. Better diagnosis of these early forms would
allow improving the prognosis by preventing the transition to a severe late
form thanks to appropriate antibiotic therapy. Recent studies show that
convolutional neural networks (CNNs) perform very well to identify skin lesions
from the image but, there is not much work for Lyme disease prediction from EM
lesion images. The main objective of this study is to extensively analyze the
effectiveness of CNNs for diagnosing Lyme disease from images and to find out
the best CNN architecture for the purpose. There is no publicly available EM
image dataset for Lyme disease prediction mainly because of privacy concerns.
In this study, we utilized an EM dataset consisting of images collected from
Clermont-Ferrand University Hospital Center (CF-CHU) of France and the
internet. CF-CHU collected the images from several hospitals in France. This
dataset was labeled by expert dermatologists and infectiologists from CF-CHU.
First, we benchmarked this dataset for twenty-three well-known CNN
architectures in terms of predictive performance metrics, computational
complexity metrics, and statistical significance tests. Second, to improve the
performance of the CNNs, we used transfer learning from ImageNet pre-trained
models as well as pre-trained the CNNs with the skin lesion dataset "Human
Against Machine with 10000 training images (HAM1000)". In that process, we
searched for the best performing number of layers to unfreeze during transfer
learning fine-tuning for each of the CNNs. Third, for model explainability, we
utilized Gradient-weighted Class Activation Mapping to visualize the regions of
input that are significant to the CNNs for making predictions. Fourth, we
provided guidelines for model selection based on predictive performance and
computational complexity. Our study confirmed the effectiveness and potential
of even some lightweight CNNs to be used for Lyme disease pre-scanner mobile
applications. We also made all the trained models publicly available at
https://dappem.limos.fr/download.html, which can be used by others for transfer
learning and building pre-scanners for Lyme disease.
- Abstract(参考訳): ライム病は世界で最も一般的な感染症の一つである。
初期の段階では、エリスマ・ミクラン (erythema migrans, em) の皮膚病変のほとんどに発症する。
これらの早期形態のより良い診断は、適切な抗生物質療法により重篤な後期形態への移行を防ぎ、予後を改善することができる。
近年の研究では、畳み込みニューラルネットワーク(cnns)は、画像から皮膚病変を識別するのに非常に有効であるが、em病変画像からのライム病予測にはあまり効果がないことが示されている。
本研究の目的は、画像からライム病を診断するためのCNNの有効性を広く分析し、その目的のために最適なCNNアーキテクチャを明らかにすることである。
プライバシの懸念が主な理由として、ライム病の予測のための公開のEMイメージデータセットはない。
本研究では,フランスのClermont-Ferrand大学病院センター(CF-CHU)から収集した画像とインターネットを用いたEMデータセットを用いた。
CF-CHUはフランスのいくつかの病院から画像を収集した。
このデータセットはCF-CHUの皮膚科医や感染症学者によってラベル付けされた。
まず、予測性能メトリクス、計算複雑性メトリクス、統計的重要性テストの観点から、このデータセットを23の有名なCNNアーキテクチャでベンチマークした。
第2に、CNNの性能向上のために、ImageNetの事前訓練モデルからのトランスファー学習と、皮膚病変データセット"Human Against Machine with 10000 training image (HAM1000)"を用いたCNNの事前訓練を行った。
その過程で我々は,各CNNの微調整において,転送学習中に解凍する最も優れたレイヤを探索した。
第3に,モデル説明のために,勾配重み付けクラスアクティベーションマッピングを用いて,cnnにとって重要な入力領域を可視化し,予測を行う。
第4に,予測性能と計算複雑性に基づくモデル選択のガイドラインを提案した。
本研究は,Lyme病プレスキャンモバイルアプリケーションに使用する軽量CNNの有効性と可能性を検証した。
また、トレーニングされたすべてのモデルをhttps://dappem.limos.fr/download.htmlで公開しました。
関連論文リスト
- MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。
提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。
この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
論文 参考訳(メタデータ) (2024-11-02T07:18:53Z) - 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) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - HierAttn: Effectively Learn Representations from Stage Attention and
Branch Attention for Skin Lesions Diagnosis [18.026088450803258]
皮膚がんの早期診断と治療には, 皮膚病変の正確な非バイアス検査が重要である。
最近の研究では、画像の早期診断のための分類のために、アンサンブル畳み込みニューラルネットワーク(CNN)が開発されている。
階層型および自己注意型ニューラルネットワークであるHierAttnを紹介する。
論文 参考訳(メタデータ) (2022-05-09T14:30:34Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - CNN AE: Convolution Neural Network combined with Autoencoder approach to
detect survival chance of COVID 19 patients [11.121959969774327]
臨床情報に基づいて訓練したCNNを用いて、新型コロナウイルス患者の生存率を予測する新しいCNN-AE法を提案する。
予測精度をさらに高めるために、CNNをオートエンコーダと組み合わせて使用します。
論文 参考訳(メタデータ) (2021-04-18T20:31:17Z) - Prediction of lung and colon cancer through analysis of
histopathological images by utilizing Pre-trained CNN models with
visualization of class activation and saliency maps [0.0]
大腸癌と肺癌は、個人が世界中で持続している最も危険で危険な病気の1つです。
本稿では,現在トレーニング中のCNNモデルを用いて肺癌と大腸癌の鑑別を行う。
モデル性能は、精度、リコール、f1score、精度、aurocスコアで評価される。
論文 参考訳(メタデータ) (2021-03-22T20:06:27Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。