Fugu-MT 論文翻訳(概要): Automated Medical Device Display Reading Using Deep Learning Object Detection

論文の概要: Automated Medical Device Display Reading Using Deep Learning Object Detection

arxiv url: http://arxiv.org/abs/2210.01325v1
Date: Tue, 4 Oct 2022 02:39:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 13:40:23.007054
Title: Automated Medical Device Display Reading Using Deep Learning Object Detection
Title（参考訳）: 深層学習物体検出を用いた医療機器の自動表示
Authors: Lucas P. Moreira
Abstract要約: 本研究は,深層学習物体検出モデルに基づく医療機器からの7セグメントディスプレイの検出と読取を行うエンド・ツー・エンド手法を提案する。 EfficientDetとEfficientDet-liteの2つの状態は、モバイルデジタルカメラで撮影された医療機器の写真からなるデータセットに基づいて微調整された。訓練されたモデルの評価は高い効率を示し、全てのモデルが98%以上の検出精度と98%以上の分類精度を達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Telemedicine and mobile health applications, especially during the quarantine imposed by the covid-19 pandemic, led to an increase on the need of transferring health monitor readings from patients to specialists. Considering that most home medical devices use seven-segment displays, an automatic display reading algorithm should provide a more reliable tool for remote health care. This work proposes an end-to-end method for detection and reading seven-segment displays from medical devices based on deep learning object detection models. Two state of the art model families, EfficientDet and EfficientDet-lite, previously trained with the MS-COCO dataset, were fine-tuned on a dataset comprised by medical devices photos taken with mobile digital cameras, to simulate real case applications. Evaluation of the trained model show high efficiency, where all models achieved more than 98% of detection precision and more than 98% classification accuracy, with model EfficientDet-lite1 showing 100% detection precision and 100% correct digit classification for a test set of 104 images and 438 digits.
Abstract（参考訳）: 遠隔医療やモバイル医療の応用、特に新型コロナウイルス(covid-19)パンデミックによる検疫中は、患者から専門医への健康監視読書の転送の必要性が高まった。多くの家庭医療機器がセグメンテーションディスプレイを使用していることを考えると、自動表示読影アルゴリズムはより信頼性の高い遠隔医療ツールを提供するだろう。本研究は,深層学習物体検出モデルに基づく医療機器からの7セグメントディスプレイの検出と読取のためのエンドツーエンド手法を提案する。 ms-cocoデータセットでトレーニングされた2つのartモデルファミリである efficientdet と efficientdet-lite は、モバイルデジタルカメラで撮影された医療機器によるデータセット上で微調整され、実際のユースケースをシミュレートした。訓練されたモデルの評価は高い効率を示し、全てのモデルが検出精度98%以上、分類精度98%以上を達成し、モデル効率のdet-lite1は104画像と438桁のテストセットに対して100%検出精度と100%正確な桁分類を示す。

関連論文リスト

Medical Image Data Provenance for Medical Cyber-Physical System [8.554664822046966]
本研究では,画像にデバイス指紋(DFP)を埋め込むための透かし技術を提案する。 DFPは、キャプチャ装置のユニークな特性と生画像を表すもので、保存前に生画像に埋め込まれる。相互接続型医療システムにおける医用画像データの整合性を高めるため、画像認証のために堅牢な遠隔検証手法が導入された。
論文参考訳（メタデータ） (2024-03-22T13:24:44Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
Performance of Machine Learning Classification in Mammography Images using BI-RADS [0.0]
本研究は,乳房超音波画像の分類における各種分類モデルの分類精度について検討することを目的とする。我々は1,540人の患者から得られた2,945枚のマンモグラフィー画像を用いた。コンピュータ支援診断(CAD)システムの有効性と能力は, 76.39%, F1スコア67.94%であった。
論文参考訳（メタデータ） (2023-11-14T19:41:19Z)
Automated COVID-19 CT Image Classification using Multi-head Channel Attention in Deep CNN [0.0]
新型コロナウイルスのCTスキャン自動分類のための新しい深層学習手法を提案する。新しく設計されたチャネルアテンション機構と重み付きグローバル平均プールを組み込んだ改良型Xceptionモデルを提案する。広く使われている新型コロナウイルスのCTスキャンデータセットの実験は96.99%の精度を示し、他の最先端技術よりも優れていることを示している。
論文参考訳（メタデータ） (2023-07-31T16:44:06Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文参考訳（メタデータ） (2023-06-16T01:46:07Z)
Gender, Smoking History and Age Prediction from Laryngeal Images [19.10569002386882]
我々は、患者人口統計情報を予測し、検出モデルの性能を向上させるために、ディープラーニングモデルを用いた最初の取り組みを行った。性別、喫煙履歴、年齢の総合的正確度はそれぞれ85.5%、65.2%、75.9%であった。
論文参考訳（メタデータ） (2023-05-26T06:16:47Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文参考訳（メタデータ） (2021-10-18T17:56:07Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)
Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。 VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
論文参考訳（メタデータ） (2020-04-04T18:55:06Z)

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。