論文の概要: Deep-learning models in medical image analysis: Detection of esophagitis
from the Kvasir Dataset
- arxiv url: http://arxiv.org/abs/2301.02390v1
- Date: Fri, 6 Jan 2023 05:53:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 00:09:21.667450
- Title: Deep-learning models in medical image analysis: Detection of esophagitis
from the Kvasir Dataset
- Title(参考訳): 医用画像解析における深層学習モデル:Kvasirデータセットによる食道炎の検出
- Authors: Kyoka Yoshiok, Kensuke Tanioka, Satoru Hiwa and Tomoyuki Hiroyasu
- Abstract要約: 食道炎の早期発見は,未治療で癌に進展する可能性があるため重要である。
本研究は, 内視鏡画像のオープンKvasirデータセットから食道炎を検出するための畳み込みニューラルネットワークモデルの精度を比較することを目的とした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection of esophagitis is important because this condition can
progress to cancer if left untreated. However, the accuracies of different deep
learning models in detecting esophagitis have yet to be compared. Thus, this
study aimed to compare the accuracies of convolutional neural network models
(GoogLeNet, ResNet-50, MobileNet V2, and MobileNet V3) in detecting esophagitis
from the open Kvasir dataset of endoscopic images. Results showed that among
the models, GoogLeNet achieved the highest F1-scores. Based on the average of
true positive rate, MobileNet V3 predicted esophagitis more confidently than
the other models. The results obtained using the models were also compared with
those obtained using SHapley Additive exPlanations and Gradient-weighted Class
Activation Mapping.
- Abstract(参考訳): 食道炎の早期発見は,非治療で癌に進行する可能性があるため重要である。
しかし,食道炎検出における深層学習モデルの精度は,まだ比較されていない。
そこで本研究では,結膜型ニューラルネットワークモデル(googlenet,resnet-50,mobilenet v2,mobilenet v3)の内視鏡画像のオープンkvasirデータセットからの食道炎検出における精度を比較することを目的とした。
その結果,GoogLeNetはF1スコアが最も高かった。
MobileNet V3は、真の陽性率の平均に基づいて、他のモデルよりも確実に食道炎を予測した。
モデルを用いて得られた結果は、SHapley Additive exPlanations と Gradient-weighted Class Activation Mapping を用いた結果と比較した。
関連論文リスト
- Unleashing Modified Deep Learning Models in Efficient COVID19 Detection [0.0]
新型コロナウイルスの感染拡大に伴い、世界的な人口に影響を及ぼしている。
近年のDeep Learningのブレークスルーは、精度と迅速な検出のためのツールとして、COVID19の予測と予測を改善する可能性がある。
最も正確なモデルはMobileNet V3 (97.872%)、DenseNet201 (97.5677%)、GoogleNet Inception V1 (97.643%)である。
論文 参考訳(メタデータ) (2023-10-21T18:24:23Z) - Hybrid Inception Architecture with Residual Connection: Fine-tuned
Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from
Chest Radiographs [20.30817652277055]
肺炎は細菌、ウイルス、真菌によって引き起こされる一般的な呼吸器感染症である。
本稿では,胸部X線写真から肺炎の診断におけるInception-ResNetディープラーニングモデルの性能について比較検討する。
論文 参考訳(メタデータ) (2023-10-04T05:20:18Z) - A Comparative Study of Filters and Deep Learning Models to predict
Diabetic Retinopathy [0.0]
本研究では,インセプションNetV3を含む様々なディープラーニングモデルの結果を比較し,様々な画像フィルタを用いた。
本研究の目的は糖尿病関連失明の主な原因である糖尿病網膜症(DR)の診断過程を改善することである。
論文 参考訳(メタデータ) (2023-09-26T19:21:09Z) - Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular
Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation [1.3701366534590498]
眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。
本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
論文 参考訳(メタデータ) (2023-05-18T13:42:15Z) - Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification [0.0]
機械学習とディープラーニングを使って皮膚がんの分類を行うと、アクセシビリティが向上し、従来の病変検出プロセスにおける不快な手順が軽減される。
本稿では、一般的な皮膚病変のベンチマークHAM10000データセットを用いて、2つのモデルをテストする。
資源制約のある移動環境において,皮膚病変診断のための異なるフレームワーク上での深層学習モデルと同一の深層学習モデルの比較は,これまで行われなかった。
論文 参考訳(メタデータ) (2022-07-26T08:07:33Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - 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) - From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-07-27T17:30:49Z)
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。