論文の概要: Application of attention-based Siamese composite neural network in
medical image recognition
- arxiv url: http://arxiv.org/abs/2304.09783v2
- Date: Thu, 20 Apr 2023 14:54:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 15:44:22.619244
- Title: Application of attention-based Siamese composite neural network in
medical image recognition
- Title（参考訳）: 注意に基づくシームズ複合ニューラルネットワークの医用画像認識への応用
- Authors: Zihao Huang, Xia Chen, Yue Wang, Weixing Xin, Xingtong Lin, Huizhen
Li, Haowen Chen, Yizhen Lao
- Abstract要約: 本研究は,注目とシームズニューラルネットワークに基づく認識モデルを構築した。
アテンションに基づくニューラルネットワークは、分類効果を改善するためにメインネットワークとして使用される。
その結果、画像サンプルの数が少ないほど、利点が明らかになることがわかった。
- 参考スコア（独自算出の注目度）: 9.203412979761586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image recognition often faces the problem of insufficient data in
practical applications. Image recognition and processing under few-shot
conditions will produce overfitting, low recognition accuracy, low reliability
and insufficient robustness. It is often the case that the difference of
characteristics is subtle, and the recognition is affected by perspectives,
background, occlusion and other factors, which increases the difficulty of
recognition. Furthermore, in fine-grained images, the few-shot problem leads to
insufficient useful feature information in the images. Considering the
characteristics of few-shot and fine-grained image recognition, this study has
established a recognition model based on attention and Siamese neural network.
Aiming at the problem of few-shot samples, a Siamese neural network suitable
for classification model is proposed. The Attention-Based neural network is
used as the main network to improve the classification effect. Covid- 19 lung
samples have been selected for testing the model. The results show that the
less the number of image samples are, the more obvious the advantage shows than
the ordinary neural network.
- Abstract（参考訳）: 医療画像認識は、しばしば実用上のデータ不足の問題に直面している。
少ない撮影条件下での画像認識と処理は、過剰フィッティング、低い認識精度、低い信頼性、不十分なロバスト性をもたらす。
特徴の違いが微妙であり、認識は視点、背景、咬合、その他の要因に影響され、認識の難しさが増すことが多い。
さらに,細粒度画像では,写真中の有用な特徴情報に不足が生じている。
本研究は,数発画像および細粒画像の認識特性を考慮し,注意とシャムニューラルネットに基づく認識モデルを構築した。
数発のサンプルの問題を考慮し,分類モデルに適したシームズニューラルネットワークを提案する。
注意に基づくニューラルネットワークは、分類効果を改善するためにメインネットワークとして使用される。
このモデルをテストするために、covid-19の肺サンプルが選ばれた。
その結果、画像サンプルの数が少ないほど、通常のニューラルネットワークよりも利点が明らかになることがわかった。
関連論文リスト
- Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳（メタデータ） (2022-01-04T03:09:40Z) - Influence of image noise on crack detection performance of deep
convolutional neural networks [0.0]
深層畳み込みニューラルネットワークを用いた画像データからのひび割れの分類について多くの研究がなされている。
本稿では,画像ノイズがネットワークの精度に与える影響について検討する。
AlexNetは提案したインデックスに基づいて最も効率的なモデルに選ばれた。
論文 参考訳（メタデータ） (2021-11-03T09:08:54Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Real-Time Glaucoma Detection from Digital Fundus Images using Self-ONNs [22.863901758361692]
緑内障は、視覚画像を脳に伝達する視神経を損傷することで、永久的な視覚障害を引き起こす。
ラベル付きデータの不足により,デジタル眼底画像からの緑内障検出に様々な深層学習モデルが応用されている。
本研究では,眼底画像における緑内障の早期検出のために,コンパクトな自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を提案する。
論文 参考訳（メタデータ） (2021-09-28T10:27:01Z) - Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。
本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
論文 参考訳（メタデータ） (2021-04-15T23:34:53Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - 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) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Self-Loop Uncertainty: A Novel Pseudo-Label for Semi-Supervised Medical
Image Segmentation [30.644905857223474]
本稿では,医療画像セグメンテーションのためのラベル付きデータと大量のラベル付き画像を用いて,ニューラルネットワークを訓練するための半教師付きアプローチを提案する。
未ラベル画像に対する新たな擬似ラベル(いわゆる自己ループ不確実性)を基盤として、トレーニングセットを増強し、セグメンテーション精度を高める。
論文 参考訳（メタデータ） (2020-07-20T02:52:07Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z) - ElixirNet: Relation-aware Network Architecture Adaptation for Medical
Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。
DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文 参考訳（メタデータ） (2020-03-03T05:29:49Z)
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。