Fugu-MT 論文翻訳(概要): Forensic Dental Age Estimation Using Modified Deep Learning Neural Network

論文の概要: Forensic Dental Age Estimation Using Modified Deep Learning Neural Network

arxiv url: http://arxiv.org/abs/2208.09799v1
Date: Sun, 21 Aug 2022 04:06:04 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 14:11:15.453258
Title: Forensic Dental Age Estimation Using Modified Deep Learning Neural Network
Title（参考訳）: 修正深層学習ニューラルネットワークを用いた法医学的歯科年齢推定
Authors: Isa Atas, Cuneyt Ozdemir, Musa Atas, Yahya Dogan
Abstract要約: 本研究は, 年齢8歳から68歳までの被験者のDPR画像1,332例を用いて, 法医学的年齢を自動推定する手法を提案する。平均絶対誤差(MAE)は3.13、根平均二乗誤差(RMSE)は4.77、相関係数R$2$は87%であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dental age is one of the most reliable methods to identify an individual's age. By using dental panoramic radiography (DPR) images, physicians and pathologists in forensic sciences try to establish the chronological age of individuals with no valid legal records or registered patients. The current methods in practice demand intensive labor, time, and qualified experts. The development of deep learning algorithms in the field of medical image processing has improved the sensitivity of predicting truth values while reducing the processing speed of imaging time. This study proposed an automated approach to estimate the forensic ages of individuals ranging in age from 8 to 68 using 1,332 DPR images. Initially, experimental analyses were performed with the transfer learning-based models, including InceptionV3, DenseNet201, EfficientNetB4, MobileNetV2, VGG16, and ResNet50V2; and accordingly, the best-performing model, InceptionV3, was modified, and a new neural network model was developed. Reducing the number of the parameters already available in the developed model architecture resulted in a faster and more accurate dental age estimation. The performance metrics of the results attained were as follows: mean absolute error (MAE) was 3.13, root mean square error (RMSE) was 4.77, and correlation coefficient R$^2$ was 87%. It is conceivable to propose the new model as potentially dependable and practical ancillary equipment in forensic sciences and dental medicine.
Abstract（参考訳）: 歯年齢は、個人の年齢を特定する最も信頼できる方法の1つである。歯科パノラマX線撮影(DPR)画像を用いて、法医学の医師や病理学者は、法的に有効な記録や登録された患者を持たない個人の年代を確定させようとする。現在の方法は、労働力、時間、資格のある専門家を必要とする。医用画像処理の分野での深層学習アルゴリズムの開発により,画像時間の処理速度を低減しつつ,真理値の予測精度が向上した。本研究では,1,332dpr画像を用いて8歳から68歳までの被検者の法医学年齢を自動推定する手法を提案した。当初、inceptionv3, densenet201, efficientnetb4, mobilenetv2, vgg16, resnet50v2などのトランスファー学習モデルを用いて実験分析を行い、最適なモデルであるinceptionv3を改良し、新しいニューラルネットワークモデルを開発した。発達したモデルアーキテクチャで既に利用可能なパラメータの数を減らすことで、より高速で正確な歯年齢推定が可能となった。その結果,平均絶対誤差(MAE)は3.13,根平均二乗誤差(RMSE)は4.77,相関係数(R$^2$)は87%であった。鑑識科学や歯科医学において, 潜在的に信頼でき, 実用的な補助装置として, 新たなモデルを提案することは可能である。

関連論文リスト

AI-Dentify: Deep learning for proximal caries detection on bitewing x-ray -- HUNT4 Oral Health Study [0.0]
人工知能の使用は、噛まれた画像の迅速かつ情報的な分析を提供することで、診断を支援する可能性がある。 HUNT4口腔健康研究から得られた13,887個の噛み付きデータセットは、6人の異なる専門家によって個別に注釈付けされた。同じ6人の歯科医が共同で注釈を付けた197枚の画像のコンセンサスデータセットを用いて評価を行った。
論文参考訳（メタデータ） (2023-09-30T12:17:36Z)
Towards Earlier Detection of Oral Diseases On Smartphones Using Oral and Dental RGB Images [0.5461938536945723]
ローエンドデバイス上で効率的に動作しながらRGB画像の微積分を検出できる軽量機械学習モデルを提案する。このモデル、修正されたMobileNetV3-Smallニューラルネットワーク転送は72.73%の精度を達成した。 ResNet34ベースのモデルも構築され、精度は81.82%に達した。
論文参考訳（メタデータ） (2023-08-30T02:01:19Z)
Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs [8.397847537464534]
本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
論文参考訳（メタデータ） (2022-10-20T16:50:07Z)
Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。ネットワーク精度の面では、モデルは約98%に達した。
論文参考訳（メタデータ） (2022-04-22T08:17:20Z)
Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文参考訳（メタデータ） (2021-12-23T14:51:45Z)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Multi-Scale Convolutional Neural Network for Automated AMD Classification using Retinal OCT Images [1.299941371793082]
加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
論文参考訳（メタデータ） (2021-10-06T18:20:58Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks [0.45077088620792216]
脳の磁気共鳴イメージング(MRI)データに基づく年齢予測は、脳疾患や老化の進行を定量化するバイオマーカーである。現在のアプローチでは、voxelを標準化された脳アトラスに登録するなど、複数の前処理ステップでデータを準備する。ここでは、ResNetアーキテクチャに基づく3D Convolutional Neural Network(CNN)について、未登録のT1重み付きMRIデータに基づいてトレーニングします。
論文参考訳（メタデータ） (2021-03-22T09:48:34Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
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)

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。