論文の概要: A Novel Solution of an Elastic Net Regularization for Dementia Knowledge
Discovery using Deep Learning
- arxiv url: http://arxiv.org/abs/2109.00896v1
- Date: Sat, 21 Aug 2021 11:53:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:54:04.473727
- Title: A Novel Solution of an Elastic Net Regularization for Dementia Knowledge
Discovery using Deep Learning
- Title（参考訳）: ディープラーニングを用いた認知症知識発見のための弾性ネット正規化の新しい解法
- Authors: Kshitiz Shrestha, Omar Hisham Alsadoon, Abeer Alsadoon, Tarik A.
Rashid, Rasha S. Ali, P.W.C. Prasad, Oday D. Jerew
- Abstract要約: 本稿では,Deep Learning Architecture による分類の精度の向上と処理時間を短縮することを目的とする。
提案システムは,分類と予測の精度を高めるために,畳み込みニューラルネットワーク(CNN)で構成されている。
さらに,提案手法は,平均で5%の分類精度を向上し,平均で3040秒の処理時間を短縮した。
- 参考スコア（独自算出の注目度）: 10.839925851203786
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background and Aim: Accurate classification of Magnetic Resonance Images
(MRI) is essential to accurately predict Mild Cognitive Impairment (MCI) to
Alzheimer's Disease (AD) conversion. Meanwhile, deep learning has been
successfully implemented to classify and predict dementia disease. However, the
accuracy of MRI image classification is low. This paper aims to increase the
accuracy and reduce the processing time of classification through Deep Learning
Architecture by using Elastic Net Regularization in Feature Selection.
Methodology: The proposed system consists of Convolutional Neural Network (CNN)
to enhance the accuracy of classification and prediction by using Elastic Net
Regularization. Initially, the MRI images are fed into CNN for features
extraction through convolutional layers alternate with pooling layers, and then
through a fully connected layer. After that, the features extracted are
subjected to Principle Component Analysis (PCA) and Elastic Net Regularization
for feature selection. Finally, the selected features are used as an input to
Extreme Machine Learning (EML) for the classification of MRI images. Results:
The result shows that the accuracy of the proposed solution is better than the
current system. In addition to that, the proposed method has improved the
classification accuracy by 5% on average and reduced the processing time by 30
~ 40 seconds on average. Conclusion: The proposed system is focused on
improving the accuracy and processing time of MCI converters/non-converters
classification. It consists of features extraction, feature selection, and
classification using CNN, FreeSurfer, PCA, Elastic Net, Extreme Machine
Learning. Finally, this study enhances the accuracy and the processing time by
using Elastic Net Regularization, which provides important selected features
for classification.
- Abstract（参考訳）: 背景と目的:MRIの正確な分類は、軽度認知障害(MCI)からアルツハイマー病(AD)への変換を正確に予測するために不可欠である。
一方、ディープラーニングは認知症病の分類と予測に成功している。
しかし,MRI画像分類の精度は低い。
本稿では,特徴選択におけるElastic Net Regularizationを用いて,ディープラーニングアーキテクチャによる分類の精度を高め,処理時間を短縮することを目的とする。
方法論:本システムは,弾性ネット正規化を用いた分類と予測の精度を高めるために,畳み込みニューラルネットワーク(cnn)から構成される。
当初、MRI画像はCNNに入力され、プール層と交互に畳み込み層を通して機能を抽出し、それから完全に接続された層を通して抽出される。
その後、抽出した特徴を原理成分分析(pca)と弾性ネット正規化により特徴選択を行う。
最後に、選択した特徴を、MRI画像の分類のためのExtreme Machine Learning (EML)への入力として使用する。
結果: 提案手法の精度は現在のシステムよりも優れていることが示された。
さらに,提案手法では,分類精度を平均で5%向上させ,処理時間を平均で30秒から40秒短縮した。
結論:提案システムは,MCIコンバータ/非コンバータ分類の精度と処理時間の改善に重点を置いている。
CNN、FreeSurfer、PCA、Elastic Net、Extreme Machine Learningを使った機能抽出、機能選択、分類で構成されている。
最後に,本研究は弾性ネット正則化を用いて精度と処理時間を向上し,分類に重要な特徴を提供する。
関連論文リスト
- MISNN: Multiple Imputation via Semi-parametric Neural Networks [9.594714330925703]
バイオメディカル・ソーシャル・エコノメトリー研究において、多重計算(Multiple Imputation, MI)は、欠落した価値問題に広く応用されている。
提案するMISNNは,MIの特徴選択を取り入れた,新規で効率的なアルゴリズムである。
論文 参考訳（メタデータ） (2023-05-02T21:45:36Z) - Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。
実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-23T14:18:39Z) - 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) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Deep Learning for Breast Cancer Classification: Enhanced Tangent
Function [27.761266391596262]
近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。
Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。
提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
論文 参考訳（メタデータ） (2021-07-01T08:36:27Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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) - Margin-Based Regularization and Selective Sampling in Deep Neural
Networks [7.219077740523683]
我々は、ディープニューラルネットワーク(DNN)のための新しいマージンベース正規化形式、MMR(Multi-margin regularization)を導出する。
CIFAR10, CIFAR100, ImageNet上で, MNLI, QQP, QNLI, MRPC, SST-2, RTEベンチマークのための最先端畳み込みニューラルネットワーク(CNN)とBERT-BASEアーキテクチャを用いて, 実験結果の改善を示す。
論文 参考訳（メタデータ） (2020-09-13T15:06:42Z)
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。