Fugu-MT 論文翻訳(概要): A system on chip for melanoma detection using FPGA-based SVM classifier

論文の概要: A system on chip for melanoma detection using FPGA-based SVM classifier

arxiv url: http://arxiv.org/abs/2109.14840v1
Date: Thu, 30 Sep 2021 04:30:54 GMT
ステータス: 処理完了
システム内更新日: 2021-10-01 14:38:16.331358
Title: A system on chip for melanoma detection using FPGA-based SVM classifier
Title（参考訳）: FPGAを用いたSVM分類器を用いたメラノーマ検出システム
Authors: Shereen Afifi, Hamid GholamHosseini, and Roopak Sinha
Abstract要約: Support Vector Machine (SVM)は、異なる分類問題で高い精度を示す堅牢な機械学習モデルである。 FPGA上でSVMを実装したハードウェア/ソフトウェア共同設計により,チップ上でメラノーマ検出を実現する。
参考スコア（独自算出の注目度）: 0.7646713951724011
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Support Vector Machine (SVM) is a robust machine learning model that shows high accuracy with different classification problems, and is widely used for various embedded applications. However , implementation of embedded SVM classifiers is challenging, due to the inherent complicated computations required. This motivates implementing the SVM on hardware platforms for achieving high performance computing at low cost and power consumption. Melanoma is the most aggressive form of skin cancer that increases the mortality rate. We aim to develop an optimized embedded SVM classifier dedicated for a low-cost handheld device for early detection of melanoma at the primary healthcare. In this paper, we propose a hardware/software co-design for implementing the SVM classifier onto FPGA to realize melanoma detection on a chip. The implemented SVM on a recent hybrid FPGA (Zynq) platform utilizing the modern UltraFast High-Level Synthesis design methodology achieves efficient melanoma classification on chip. The hardware implementation results demonstrate classification accuracy of 97.9%, and a significant hardware acceleration rate of 21 with only 3% resources utilization and 1.69W for power consumption. These results show that the implemented system on chip meets crucial embedded system constraints of high performance and low resources utilization, power consumption, and cost, while achieving efficient classification with high classification accuracy.
Abstract（参考訳）: Support Vector Machine (SVM)は、さまざまな分類問題で高精度な機械学習モデルであり、様々な組み込みアプリケーションに広く利用されている。しかし,複雑な計算を必要とするため,組込みSVM分類器の実装は困難である。これにより、ハードウェアプラットフォーム上でSVMを実装し、低コストで高性能なコンピューティングを実現できる。メラノーマは皮膚がんの最も攻撃的な形態であり、死亡率を増加させる。医療現場でメラノーマを早期に検出するための,低コストハンドヘルドデバイス専用の組込みSVM分類器の開発を目指している。本稿では,SVM分類器をFPGA上に実装し,チップ上でメラノーマ検出を実現するハードウェア/ソフトウェア共同設計を提案する。最新のUltraFast High-Level Synthesis設計手法を利用した最近のFPGA(Zynq)プラットフォーム上で実装されたSVMは、チップ上で効率的なメラノーマ分類を実現する。ハードウェア実装の結果、分類精度は97.9%、ハードウェアアクセラレーション速度は21で、リソース利用は3%、消費電力は1.69wであった。以上の結果から,チップ上に実装されたシステムは,高性能かつ低資源利用,消費電力,コストといった重要な組込みシステムの制約を満たしつつ,高い分類精度で効率的な分類を実現する。

関連論文リスト

Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-11T15:46:00Z)
Hybrid Deep Learning Framework for Enhanced Melanoma Detection [3.004788114489393]
本研究の目的は, メラノーマ検出の精度と効率を, 革新的なハイブリッドアプローチにより向上させることである。我々は、HAM10000データセットを使用して、U-Netモデルを綿密に訓練し、癌領域を正確に分類することができる。我々はISIC 2020データセットを用いてEfficientNetモデルをトレーニングし、皮膚がんのバイナリ分類に最適化する。
論文参考訳（メタデータ） (2024-07-16T04:58:47Z)
Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
論文参考訳（メタデータ） (2024-07-06T14:16:31Z)
Quantum Support Vector Machine for Prostate Cancer Detection: A Performance Analysis [0.0]
本稿では,この重要な医療課題に対するQuantum Support Vector Machine (QSVM)の適用について紹介する。本研究は,従来のSVM技術よりもQSVMによる診断性能の顕著な改善について概説する。この結果は、古典的なSVMと同等の精度であるだけでなく、感度が7.14%上昇し、特に高いF1スコア(93.33%ドル)が明らかになった。
論文参考訳（メタデータ） (2024-03-12T17:46:38Z)
SLP-Net:An efficient lightweight network for segmentation of skin lesions [9.812172372998358]
SLP-Netは、スパイキングニューラルP(SNP)システム型機構に基づく超軽量皮膚病変セグメンテーションネットワークである。通常のエンコーダ・デコーダ構造を持たない軽量なマルチスケール特徴抽出器を設計する。 ISIC2018チャレンジの実験では、提案されたモデルが最先端の手法の中で最も高いAccとDSCを持つことを示した。
論文参考訳（メタデータ） (2023-12-20T06:22:21Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
First steps towards quantum machine learning applied to the classification of event-related potentials [68.8204255655161]
低情報伝達速度は、臨床応用のための非侵襲脳波(EEG)に基づく脳-コンピュータインターフェースの主要なボトルネックである。本研究では,量子化支援ベクトル分類器(QSVC)の性能について検討する。 QSVCのトレーニング(予測)精度は83.17 (50.25) %であった。
論文参考訳（メタデータ） (2023-02-06T09:43:25Z)
FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文参考訳（メタデータ） (2022-01-18T13:59:22Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Dynamic hardware system for cascade SVM classification of melanoma [0.8594140167290097]
メラノーマは皮膚がんの最も危険な形態であり、皮膚がんによる死の大半の原因となっている。医療現場でメラノーマの早期発見を促進するために,低コストで高性能なハンドヘルドデバイスを開発することを目的としている。
論文参考訳（メタデータ） (2021-12-10T03:56:35Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。