論文の概要: A Hybrid Convolutional Neural Network with Meta Feature Learning for
Abnormality Detection in Wireless Capsule Endoscopy Images
- arxiv url: http://arxiv.org/abs/2207.09769v1
- Date: Wed, 20 Jul 2022 09:25:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 12:36:15.047747
- Title: A Hybrid Convolutional Neural Network with Meta Feature Learning for
Abnormality Detection in Wireless Capsule Endoscopy Images
- Title（参考訳）: 無線カプセル内視鏡画像における異常検出のためのメタ特徴学習を用いたハイブリッド畳み込みニューラルネットワーク
- Authors: Samir Jain, Ayan Seal, Aparajita Ojha
- Abstract要約: 無線カプセル内視鏡画像における異常検出のためのハイブリッド畳み込みニューラルネットワークを提案する。
3つの並列畳み込みニューラルネットワークで構成され、それぞれに特有の特徴学習能力がある。
ネットワークトリオは、クラス内の分散を効果的に処理し、胃腸の異常を効率的に検出する。
- 参考スコア（独自算出の注目度）: 8.744537620217674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless Capsule Endoscopy is one of the most advanced non-invasive methods
for the examination of gastrointestinal tracts. An intelligent computer-aided
diagnostic system for detecting gastrointestinal abnormalities like polyp,
bleeding, inflammation, etc. is highly exigent in wireless capsule endoscopy
image analysis. Abnormalities greatly differ in their shape, size, color, and
texture, and some appear to be visually similar to normal regions. This poses a
challenge in designing a binary classifier due to intra-class variations. In
this study, a hybrid convolutional neural network is proposed for abnormality
detection that extracts a rich pool of meaningful features from wireless
capsule endoscopy images using a variety of convolution operations. It consists
of three parallel convolutional neural networks, each with a distinctive
feature learning capability. The first network utilizes depthwise separable
convolution, while the second employs cosine normalized convolution operation.
A novel meta-feature extraction mechanism is introduced in the third network,
to extract patterns from the statistical information drawn over the features
generated from the first and second networks and its own previous layer. The
network trio effectively handles intra-class variance and efficiently detects
gastrointestinal abnormalities. The proposed hybrid convolutional neural
network model is trained and tested on two widely used publicly available
datasets. The test results demonstrate that the proposed model outperforms six
state-of-the-art methods with 97\% and 98\% classification accuracy on KID and
Kvasir-Capsule datasets respectively. Cross dataset evaluation results also
demonstrate the generalization performance of the proposed model.
- Abstract（参考訳）: ワイヤレスカプセル内視鏡は消化管検査における最も先進的な非侵襲的方法の1つである。
無線カプセル内視鏡画像解析において、ポリープ、出血、炎症等の消化管異常を検出するインテリジェントコンピュータ支援診断システムが高能率である。
異常は形状、大きさ、色、テクスチャが大きく異なり、一部は通常の領域と視覚的に類似しているように見える。
これはクラス内変異のためにバイナリ分類器を設計する際の課題となる。
本研究では,様々な畳み込み操作を用いて,無線カプセル内視鏡画像から有意な特徴の豊富なプールを抽出する異常検出のためのハイブリッド畳み込みニューラルネットワークを提案する。
3つの並列畳み込みニューラルネットワークで構成され、それぞれに特徴学習能力がある。
第1のネットワークは奥行き分離可能な畳み込み、第2のネットワークはコサイン正規化畳み込み演算を用いる。
第3のネットワークに新たなメタ特徴抽出機構を導入し、第1および第2のネットワークとその前層から生成された特徴から得られた統計情報からパターンを抽出する。
ネットワークトリオはクラス内分散を効果的に処理し、消化管異常を効率的に検出する。
提案するハイブリッド畳み込みニューラルネットワークモデルは、広く使用されている2つのデータセットでトレーニングされ、テストされる。
実験の結果,kidとkvasir-capsuleデータセットの分類精度が97\%,98\%の6つの最先端手法を上回った。
クロスデータセット評価の結果は,提案モデルの一般化性能も示す。
関連論文リスト
- 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) - Single-Shared Network with Prior-Inspired Loss for Parameter-Efficient Multi-Modal Imaging Skin Lesion Classification [6.195015783344803]
マルチモーダルアプローチを導入し,マルチスケールな臨床・皮膚内視鏡的特徴を1つのネットワークに効率的に統合する。
提案手法は,現在進行している手法と比較して,精度とモデルパラメータの両面で優位性を示す。
論文 参考訳（メタデータ） (2024-03-28T08:00:14Z) - Deception Detection from Linguistic and Physiological Data Streams Using Bimodal Convolutional Neural Networks [19.639533220155965]
本稿では,畳み込み型ニューラルネットワークのマルチモーダルな騙し検出への応用について検討する。
2つのトピックについて104人の被験者にインタビューして構築したデータセットを使用します。
論文 参考訳（メタデータ） (2023-11-18T02:44:33Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - A Prototype-Based Neural Network for Image Anomaly Detection and Localization [10.830337829732915]
本稿では,画像の異常検出と局所化のためのプロトタイプベースニューラルネットワークProtoADを提案する。
まず,自然画像に事前学習したディープネットワークにより,通常の画像のパッチの特徴を抽出する。
ProtoADは、推論速度の高い最先端の手法と比較して、競争性能が向上する。
論文 参考訳（メタデータ） (2023-10-04T04:27:16Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Anomaly Detection using Capsule Networks for High-dimensional Datasets [0.0]
本研究では, カプセルネットワークを用いて異常検出を行う。
我々の知る限りでは、これはカプセルネットワークが高次元複素データ設定における異常検出タスクのために解析される最初の事例である。
論文 参考訳（メタデータ） (2021-12-27T05:07:02Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - A Deep Convolutional Neural Network for the Detection of Polyps in
Colonoscopy Images [12.618653234201089]
大腸内視鏡画像中のポリープをコンピュータで検出するディープ畳み込みニューラルネットワークモデルを提案する。
光度計や幾何歪みなどのデータ拡張技術は、ポリープ検出で直面する障害を克服するために適応される。
論文 参考訳（メタデータ） (2020-08-15T13:55:44Z)
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。