論文の概要: Development of a deep learning-based tool to assist wound classification

• arxiv url: http://arxiv.org/abs/2303.16522v1
• Date: Wed, 29 Mar 2023 08:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 15:37:44.407385
• Title: Development of a deep learning-based tool to assist wound classification
• Title（参考訳）: 創傷分類支援のための深層学習ツールの開発
• Authors: Po-Hsuan Huang, Yi-Hsiang Pan, Ying-Sheng Luo, Yi-Fan Chen, Yu-Cheng Lo, Trista Pei-Chun Chen, Cherng-Kang Perng
• Abstract要約: 本稿では,非女性ケア専門の医療従事者を支援する深層学習型創傷分類ツールを提案する。 この分類の正確さは適切な創傷管理に不可欠である。 本モデルは, 深部, 感染, 動脈, 静脈, 圧傷の5つのタスクを, 高い精度で同時に分類した最初のモデルである。
• 参考スコア（独自算出の注目度）: 11.285822990457726
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a deep learning-based wound classification tool that can assist medical personnel in non-wound care specialization to classify five key wound conditions, namely deep wound, infected wound, arterial wound, venous wound, and pressure wound, given color images captured using readily available cameras. The accuracy of the classification is vital for appropriate wound management. The proposed wound classification method adopts a multi-task deep learning framework that leverages the relationships among the five key wound conditions for a unified wound classification architecture. With differences in Cohen's kappa coefficients as the metrics to compare our proposed model with humans, the performance of our model was better or non-inferior to those of all human medical personnel. Our convolutional neural network-based model is the first to classify five tasks of deep, infected, arterial, venous, and pressure wounds simultaneously with good accuracy. The proposed model is compact and matches or exceeds the performance of human doctors and nurses. Medical personnel who do not specialize in wound care can potentially benefit from an app equipped with the proposed deep learning model.
• Abstract（参考訳）: 本報告では, 医療従事者を対象とした創傷分類ツールとして, 深部創, 感染傷, 動脈傷, 静脈傷, 圧傷の5つの重要な創傷条件を, 容易に撮影できるカラー画像から分類する。 適切な創傷管理には分類の精度が不可欠である。 創傷分類手法は,創傷分類アーキテクチャの統一化のために,5つの鍵創傷条件間の関係を利用したマルチタスク深層学習フレームワークを採用する。 提案したモデルと人間を比較した指標としてコーエンのカッパ係数に違いがあるため、我々のモデルの性能は、すべての医療従事者よりも優れていた。 我々の畳み込みニューラルネットワークに基づくモデルは、深部、感染、動脈、静脈、および圧傷の5つのタスクを精度良く同時に分類する最初のモデルである。 提案モデルはコンパクトで、ヒトの医師や看護師のパフォーマンスに匹敵する、あるいは超えている。 創傷ケアを専門としない医療従事者は、提案した深層学習モデルを備えたアプリから恩恵を受ける可能性がある。

関連論文リスト

• An Enhanced Harmonic Densely Connected Hybrid Transformer Network Architecture for Chronic Wound Segmentation Utilising Multi-Colour Space Tensor Merging [5.480876321372602]
  静脈、動脈、糖尿病、圧傷は世界中でますます一般的になりつつある。 HarDNetセグメンテーションアーキテクチャは、特徴学習を強化するために、ネットワークの初期層にコントラスト除去コンポーネントを統合する。 本研究は, 創傷画像のみを訓練したモデルを用いて, 慢性的な創傷セグメント化のための黒色色調に焦点を当てた最初の研究である。
  論文  参考訳（メタデータ） (2024-10-04T12:26:51Z)
• 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)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Multi-modal Wound Classification using Wound Image and Location by Deep Neural Network [2.25739374955489]
  本研究では、創傷画像とその対応する位置を用いたディープニューラルネットワークに基づくマルチモーダル分類器を開発した。 位置データを作成するためにボディマップも開発されており、傷の専門医が傷の場所をより効率的にタグ付けするのに役立つ。
  論文  参考訳（メタデータ） (2021-09-14T21:00:30Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Multiclass Burn Wound Image Classification Using Deep Convolutional Neural Networks [0.0]
  創傷専門家が管理プロトコルのより正確な診断と最適化を可能にするためには、継続的な創傷監視が重要です。 本研究では, 深層学習による傷傷画像の分類を, 傷の状況に応じて2、3つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2021-03-01T23:54:18Z)
• Multiclass Wound Image Classification using an Ensemble Deep CNN-based Classifier [2.07811670193148]
  創傷画像をマルチクラスに分類するためのアンサンブルディープ畳み込みニューラルネットワークに基づく分類器を開発した。 2次分類では96.4%,94.28%,3次分類では91.9%,87.7%であった。
  論文  参考訳（メタデータ） (2020-10-19T15:20:12Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images [16.041873352037594]
  副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。 CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。 副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。 そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
  論文  参考訳（メタデータ） (2020-07-29T06:24:53Z)
• 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)

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。