論文の概要: Improved Kidney Stone Recognition Through Attention and Multi-View
Feature Fusion Strategies
- arxiv url: http://arxiv.org/abs/2211.02967v1
- Date: Sat, 5 Nov 2022 19:49:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 15:34:53.692133
- Title: Improved Kidney Stone Recognition Through Attention and Multi-View
Feature Fusion Strategies
- Title（参考訳）: 注意と多視点特徴融合戦略による腎臓石認識の改善
- Authors: Elias Villalvazo-Avila, Francisco Lopez-Tiro, Jonathan El-Beze,
Jacques Hubert, Miguel Gonzalez-Mendoza, Gilberto Ochoa-Ruiz, Christian Daul
- Abstract要約: 内視鏡の異なる視点から得られた腎臓の石片に関する情報の抽出と融合のための深層学習法を提案する。
各畳み込みブロックの端に注目層を追加して特徴の識別力を向上させるために、分類器の訓練中に、表面と断面のフラグメント画像が共同で使用される。
最先端技術と比較すると, 深部特徴の融合により, 腎臓結石の分類精度は11%まで向上した。
- 参考スコア（独自算出の注目度）: 0.9236074230806579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This contribution presents a deep learning method for the extraction and
fusion of information relating to kidney stone fragments acquired from
different viewpoints of the endoscope. Surface and section fragment images are
jointly used during the training of the classifier to improve the
discrimination power of the features by adding attention layers at the end of
each convolutional block. This approach is specifically designed to mimic the
morpho-constitutional analysis performed in ex-vivo by biologists to visually
identify kidney stones by inspecting both views. The addition of attention
mechanisms to the backbone improved the results of single view extraction
backbones by 4% on average. Moreover, in comparison to the state-of-the-art,
the fusion of the deep features improved the overall results up to 11% in terms
of kidney stone classification accuracy.
- Abstract（参考訳）: 本稿では,内視鏡の異なる視点から獲得した腎臓石片に関する情報の抽出と融合を行うための深層学習法を提案する。
各畳み込みブロックの最後に注意層を付加することにより特徴の識別力を向上させるため、分類器の訓練中に表面及び断面フラグメント画像が併用される。
このアプローチは、両視点を検査することで腎臓結石を視覚的に識別するために、生物学者が元vivoで行った形態構成分析を模倣するために特別に設計されている。
バックボーンへのアテンション機構の追加は、シングルビュー抽出バックボーンの結果を平均で4%改善した。
さらに, 最先端技術と比較して, 深部特徴の融合により, 腎臓結石の分類精度が11%まで向上した。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Improving automatic endoscopic stone recognition using a multi-view
fusion approach enhanced with two-step transfer learning [1.077541993594101]
内視鏡画像で見られる腎臓結石の種類を識別するために、より識別可能な物体の特徴を作り出すことを目的としている。
深い特徴融合戦略により, 腎臓結石分類の精度において, 単視抽出バックボーンモデルの結果を6%以上改善した。
論文 参考訳（メタデータ） (2023-04-06T16:17:28Z) - Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step
Transfer Learning [0.8431877864777444]
提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。
その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2022-10-24T23:22:22Z) - Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。
より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。
コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
論文 参考訳（メタデータ） (2022-10-15T14:05:03Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳（メタデータ） (2022-06-24T22:25:31Z) - Comparing feature fusion strategies for Deep Learning-based kidney stone
identification [0.9236074230806579]
本手法は, 尿路学者が腎臓結石を視覚的に分類するために用いた形態・構造解析を模倣する目的で考案された。
深い特徴融合戦略により、腎臓結石分類の精度において、単一ビュー抽出バックボーンモデルの結果を10%以上改善した。
論文 参考訳（メタデータ） (2022-05-31T19:27:54Z) - On the in vivo recognition of kidney stones using machine learning [1.6273083168563973]
本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。
また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
論文 参考訳（メタデータ） (2022-01-21T19:18:42Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Assessing deep learning methods for the identification of kidney stones
in endoscopic images [0.0]
腎臓石のタイプ(すなわち生化学組成)を知ることは再発を防ぐために重要である。
尿素コピー中に腎臓結石を断片化し、尿路から抽出し、その組成を形態構成分析を用いて決定する。
本稿では、ディープ畳み込みニューラルネットワーク(DCNN)と従来の(非DCNN)の5つの分類手法について論じ、比較する。
論文 参考訳（メタデータ） (2021-03-01T17:31:01Z) - Attention Model Enhanced Network for Classification of Breast Cancer
Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。
微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。
3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2020-10-07T08:44:21Z)
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。