論文の概要: Medical Waste Sorting: a computer vision approach for assisted primary sorting

• arxiv url: http://arxiv.org/abs/2303.04720v2
• Date: Tue, 18 Apr 2023 12:29:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 17:37:58.634557
• Title: Medical Waste Sorting: a computer vision approach for assisted primary sorting
• Title（参考訳）: 医療廃棄物ソーティング : コンピュータビジョンによる一次選別支援
• Authors: A. Bruno, C.Caudai, G.R. Leone, M. Martinelli, D. Moroni, F. Crotti
• Abstract要約: 医療廃棄物の一次選別を支援するコンピュータビジョンアプローチを提案する。 このアプローチの有効性は、私たちが収集し、コミュニティに提供した代表的データセット上で実証されます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical waste, i.e. waste produced during medical activities in hospitals, clinics and laboratories, represents hazardous waste whose management involves special care and high costs. However, this kind of waste contains a significant fraction of highly valued materials that can enter a circular economy process. To this end, in this paper, we propose a computer vision approach for assisting in the primary sorting of medical waste. The feasibility of our approach is demonstrated on a representative dataset we collected and made available to the community, with which we have trained a model that achieves 100\% accuracy, and a new dataset on which the trained model exhibits good generalization.
• Abstract（参考訳）: 医療廃棄物、すなわち病院、診療所、研究所における医療活動中に発生する廃棄物は、特別のケアと高いコストを伴う危険廃棄物である。 しかし、この種の廃棄物は、循環経済プロセスに入ることのできる非常に価値の高い材料のかなりの割合を含んでいる。 そこで本稿では, 医療廃棄物の一次選別を支援するコンピュータビジョン手法を提案する。 このアプローチの有効性は、私たちが収集し、コミュニティに提供した代表的データセットで実証され、100倍精度のモデルと、トレーニングされたモデルが優れた一般化を示す新しいデータセットをトレーニングしました。

関連論文リスト

• STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
  STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。 STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-06-28T15:01:23Z)
• OntoMedRec: Logically-Pretrained Model-Agnostic Ontology Encoders for Medication Recommendation [33.82146975306507]
  OntoMedRecは、論理的に事前訓練された、モデルに依存しない医療用オントロジーである。 OntoMedRecの有効性を評価するため,ベンチマークデータセットの総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-01-29T00:29:39Z)
• Visual Material Characteristics Learning for Circular Healthcare [1.4957306171002251]
  我々は,3つの主要な循環型経済課題を対象とした視覚システムを開発することで,循環型医療への一歩を踏み出した。 システムの性能は、表現学習ビジョンが回復連鎖を改善することを実証している。 また,イメージセグメンテーションのための完全注釈付きデータセットと,吸入器とグルコースメータの分解操作におけるキーポイント追跡用データセットも発表した。
  論文  参考訳（メタデータ） (2023-09-09T11:31:40Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Distantly supervised end-to-end medical entity extraction from electronic health records with human-level quality [77.34726150561087]
  本稿では,電子健康記録(EHR)から医療用脳波を単一段階のマルチラベル分類タスクとして行う新しい手法を提案する。 我々のモデルは、医療知識ベースから自動的に抽出されたターゲットを用いて、遠距離から教師付きでエンドツーエンドに訓練されている。 我々の研究は、十分な量の未ラベルのEHRと医療知識ベースが利用できることを考えると、人間の監督なく、人的品質で、医療機関の抽出をエンドツーエンドで行えることを実証している。
  論文  参考訳（メタデータ） (2022-01-25T17:04:46Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。