Fugu-MT 論文翻訳(概要): Pediatric Bone Age Assessment using Deep Learning Models

論文の概要: Pediatric Bone Age Assessment using Deep Learning Models

arxiv url: http://arxiv.org/abs/2207.10169v1
Date: Wed, 20 Jul 2022 19:43:38 GMT
ステータス: 処理完了
システム内更新日: 2022-07-22 12:33:37.755435
Title: Pediatric Bone Age Assessment using Deep Learning Models
Title（参考訳）: 深層学習モデルを用いた小児骨年齢評価
Authors: Aravinda Raman, Sameena Pathan, Tanweer Ali
Abstract要約: 骨年齢アセスメント(BAA)は、骨格年齢と慢性年齢の年齢差を決定する標準的な方法である。本研究では,VGG-16,InceptionV3,XceptionNet,MobileNetなどの事前学習モデルを用いて,入力データの骨年齢を評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bone age assessment (BAA) is a standard method for determining the age difference between skeletal and chronological age. Manual processes are complicated and necessitate the expertise of experts. This is where deep learning comes into play. In this study, pre-trained models like VGG-16, InceptionV3, XceptionNet, and MobileNet are used to assess the bone age of the input data, and their mean average errors are compared and evaluated to see which model predicts the best.
Abstract（参考訳）: 骨年齢アセスメント(BAA)は、骨格年齢と慢性年齢の年齢差を決定する標準的な方法である。手動のプロセスは複雑で、専門家の専門知識を必要とします。ここでディープラーニングが活躍します。本研究では,vgg-16,inceptionv3,xceptionnet,mobilenetなどの事前学習モデルを用いて入力データの骨年齢を測定し,その平均誤差を比較して,どのモデルがベストを予測しているかを評価する。

関連論文リスト

Comparative Analysis of Machine Learning Approaches for Bone Age Assessment: A Comprehensive Study on Three Distinct Models [0.0]
骨年齢予測の自動化に最も広く用いられている3つのモデルを解析した。 3つのモデル、Xception、VGG、CNNモデルは、正確性やその他の関連する要因についてテストされている。
論文参考訳（メタデータ） (2024-11-15T16:45:08Z)
Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks [5.371337604556311]
小児の骨年齢の推定は、成長障害や関連疾患を診断し、成熟後の最終身長を推定する上で非常に重要である。骨年齢を推定する従来の方法は、時間を要する左手のアトラス画像とX線画像を比較して行う。深層ニューラルネットワークモデルを用いて骨の年齢を推定するために,提案手法を用いて骨の精度と速度を改善するために多くの研究がなされている。
論文参考訳（メタデータ） (2024-05-23T18:39:33Z)
An Unsupervised Deep-Learning Method for Bone Age Assessment [4.227079957387361]
骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
論文参考訳（メタデータ） (2022-06-12T02:31:36Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文参考訳（メタデータ） (2021-10-25T09:05:44Z)
A Self-Supervised Deep Framework for Reference Bony Shape Estimation in Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-11T05:24:40Z)
FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文参考訳（メタデータ） (2021-06-21T14:31:32Z)
Ridge Regression Neural Network for Pediatric Bone Age Assessment [1.1501261942096426]
骨年齢の遅れや増加は小児科医にとって深刻な懸念である。骨年齢評価のための統合型深層学習フレームワークを事例分割と隆起回帰を用いて導入する。
論文参考訳（メタデータ） (2021-04-15T21:38:22Z)
Adversarial Regression Learning for Bone Age Estimation [6.942003070153651]
骨年齢推定のための逆回帰学習ネットワーク(ARLNet)を提案する。具体的には、微調整されたインセプションV3ニューラルネットワークから骨の特徴を抽出します。次に,学習データからテストデータへの遷移を保証するために,逆回帰損失と特徴再構成損失を提案する。
論文参考訳（メタデータ） (2021-03-10T15:58:26Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)
Learning to Reweight with Deep Interactions [104.68509759134878]
本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
論文参考訳（メタデータ） (2020-07-09T09:06:31Z)

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。