Fugu-MT 論文翻訳(概要): Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net

論文の概要: Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net

arxiv url: http://arxiv.org/abs/2205.11515v1
Date: Mon, 23 May 2022 04:02:20 GMT
ステータス: 処理完了
システム内更新日: 2022-05-25 13:52:27.300293
Title: Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net
Title（参考訳）: u-netを用いた深層畳み込みニューラルネットワークによる心電図検出
Authors: Soham S.Sarpotdar
Abstract要約: 深層学習に基づく心内膜疾患検出のためのカスタマイズされたU-Netモデルを提案する。この研究は胸部X線画像データセットを使用して、診断精度94%をシミュレートし、生成した。
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: Cardiomegaly is indeed a medical disease in which the heart is enlarged. Cardiomegaly is better to handle if caught early, so early detection is critical. The chest X-ray, being one of the most often used radiography examinations, has been used to detect and visualize abnormalities of human organs for decades. X-ray is also a significant medical diagnosis tool for cardiomegaly. Even for domain experts, distinguishing the many types of diseases from the X-ray is a difficult and time-consuming task. Deep learning models are also most effective when used on huge data sets, yet due to privacy concerns, large datasets are rarely available inside the medical industry. A Deep learning-based customized retrained U-Net model for detecting Cardiomegaly disease is presented in this research. In the training phase, chest X-ray images from the "ChestX-ray8" open source real dataset are used. To reduce computing time, this model performs data preprocessing, picture improvement, image compression, and classification before moving on to the training step. The work used a chest x-ray image dataset to simulate and produced a diagnostic accuracy of 94%, a sensitivity of 96.2 percent, and a specificity of 92.5 percent, which beats prior pre-trained model findings for identifying Cardiomegaly disease.
Abstract（参考訳）: 心臓腫は、心臓が拡大する医療疾患である。 cardiomegalyは早期に捕まった場合の処理が良いため、早期検出が不可欠である。胸部x線は、最もよく用いられるx線検査の1つで、何十年も人間の臓器の異常を検出し、可視化するために使われてきた。 x線はcardiomegalyの重要な医療診断ツールでもある。ドメインの専門家でさえ、多くの種類の病気をx線と区別することは困難で時間がかかります。ディープラーニングモデルは、巨大なデータセットで使用する場合でも最も効果的ですが、プライバシ上の懸念から、医療業界内で大きなデータセットが利用できることはめったにありません。本研究では, 深層学習に基づく心内膜疾患検出のためのU-Netモデルを提案する。トレーニング段階では、「ChestX-ray8」オープンソースリアルデータセットからの胸部X線画像を使用する。計算時間を短縮するため、トレーニング段階に移行する前に、データ前処理、画像改善、画像圧縮、分類を行う。この研究は胸部x線画像データセットを使用して、診断精度94%、感度96.2パーセント、特異性92.5パーセントをシミュレートし、診断精度を生み出した。

関連論文リスト

AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文参考訳（メタデータ） (2024-10-20T16:08:20Z)
Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches [1.6505331001136514]
人工知能技術を用いたX線画像のセグメンテーションのためのフレームワークについて論じる。提案手法は16のバッチサイズと50のエポックを持つよく知られたパラメータに関して,より優れた性能を発揮する。 SegNetとResidual Unetの検証精度、精度、リコールの値は、それぞれ0.9815、0.9699、0.9574、0.9901、0.9864、0.9750である。
論文参考訳（メタデータ） (2024-05-18T13:43:43Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文参考訳（メタデータ） (2022-08-29T04:34:15Z)
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)
Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning [26.031452674698787]
胸部X線における肺炎の検出に放射線学的特徴と造影学習を活用した新しい枠組みを提案する。 rsna肺炎検出チャレンジデータセットの実験により,いくつかの最先端モデルに優れた結果が得られた。
論文参考訳（メタデータ） (2021-01-12T02:52:24Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文参考訳（メタデータ） (2020-08-04T07:41:15Z)
Searching for Pneumothorax in Half a Million Chest X-Ray Images [0.0]
気胸(Pneumothorax)は、胸部X線で経験豊富な放射線医によって検出される致命的な疾患である。本研究では,胸部X線画像から気胸を分類するための画像検索法について検討した。胸部X線画像50万枚において,気胸のCBIRに深く事前訓練した特徴が有効であることを示す最初の研究である。
論文参考訳（メタデータ） (2020-07-30T13:03:52Z)
Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and Visualization [0.0]
結核は細菌感染による慢性肺疾患であり、死因のトップ10の1つである。胸部X線画像から, 画像前処理, データ拡張, 画像分割, ディープラーニング分類技術を用いて, TBを確実に検出した。
論文参考訳（メタデータ） (2020-07-29T15:11:34Z)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。