論文の概要: Optimized Machine Learning for CHD Detection using 3D CNN-based
Segmentation, Transfer Learning and Adagrad Optimization
- arxiv url: http://arxiv.org/abs/2305.00411v1
- Date: Sun, 30 Apr 2023 06:55:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 15:26:07.555932
- Title: Optimized Machine Learning for CHD Detection using 3D CNN-based
Segmentation, Transfer Learning and Adagrad Optimization
- Title（参考訳）: 3d cnnに基づくセグメンテーション, 転送学習, アダグラード最適化を用いたchd検出のための最適化機械学習
- Authors: R. Selvaraj, T. Satheesh, V. Suresh, V. Yathavaraj
- Abstract要約: 冠動脈疾患(Corronary Heart Disease,CHD)は、死因の一つ。
本稿では,機械学習と画像処理を組み合わせることで,CHDの存在を予測する新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Globally, Coronary Heart Disease (CHD) is one of the main causes of death.
Early detection of CHD can improve patient outcomes and reduce mortality rates.
We propose a novel framework for predicting the presence of CHD using a
combination of machine learning and image processing techniques. The framework
comprises various phases, including analyzing the data, feature selection using
ReliefF, 3D CNN-based segmentation, feature extraction by means of transfer
learning, feature fusion as well as classification, and Adagrad optimization.
The first step of the proposed framework involves analyzing the data to
identify patterns and correlations that may be indicative of CHD. Next, ReliefF
feature selection is applied to decide on the most relevant features from the
sample images. The 3D CNN-based segmentation technique is then used to segment
the optic disc and macula, which are important regions for CHD diagnosis.
Feature extraction using transfer learning is performed to extract features
from the segmented regions of interest. The extracted features are then fused
using a feature fusion technique, and a classifier is trained to predict the
presence of CHD. Finally, Adagrad optimization is used to optimize the
performance of the classifier. Our framework is evaluated on a dataset of
sample images collected from patients with and without CHD. The results show
that the anticipated framework accomplishes elevated accuracy in predicting the
presence of CHD. either a particular user with a reasonable degree of accuracy
compared to the previously employed classifiers like SVM, etc.
- Abstract（参考訳）: 世界的には、冠動脈疾患(CHD)が死因の1つである。
CHDの早期検出は患者の予後を改善し、死亡率を低下させる。
本稿では,機械学習と画像処理を組み合わせることで,CHDの存在を予測する新しいフレームワークを提案する。
このフレームワークは、データの解析、resuefを用いた特徴選択、cnnに基づく3dセグメンテーション、転送学習による特徴抽出、特徴融合、分類、およびアダグラード最適化を含む様々なフェーズからなる。
提案フレームワークの最初のステップは、CHDを示す可能性のあるパターンと相関を識別するために、データを分析することである。
次に、サンプル画像から最も関連性の高い特徴を決定するためにReliefF機能選択を適用する。
次に、3D CNNに基づくセグメンテーション技術を用いて、CHD診断において重要な領域である光学ディスクとマキュラのセグメンテーションを行う。
伝達学習を用いた特徴抽出を行い、興味のあるセグメント領域から特徴を抽出する。
抽出した特徴を特徴融合技術を用いて融合し、CHDの存在を予測するために分類器を訓練する。
最後に、Adagrad最適化を使用して分類器のパフォーマンスを最適化する。
本フレームワークは,CHDおよび非HD患者から収集したサンプル画像のデータセットを用いて評価した。
その結果, 予測されるフレームワークはchdの存在予測において高い精度を達成できることがわかった。
SVMのような以前に使用されていた分類器と比べて、ある程度の精度を持つ特定のユーザか。
関連論文リスト
- CAVE-Net: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
複雑な画像データセットを解析する際の診断精度を向上させるために,アンサンブルに基づくアプローチを提案する。
各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。
これらの手法を用いることで、提案フレームワークであるCAVE-Netは、ロバストな特徴識別と、より優れた分類結果を提供する。
論文 参考訳（メタデータ） (2024-10-26T17:25:08Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Deep reproductive feature generation framework for the diagnosis of
COVID-19 and viral pneumonia using chest X-ray images [0.0]
最先端の8つの深層畳み込みニューラルネットワーク(CNN)とオートエンコーダを用いた2段階特徴抽出フレームワークを提案する。
X線スキャンは4つの同じ大きさのセクションに分けられ、深層学習CNNによって分析される。
隠れた3つの層を持つオートエンコーダは、CNNの出力から生殖機能を抽出するために訓練される。
論文 参考訳（メタデータ） (2023-04-20T23:52:21Z) - Reduced Deep Convolutional Activation Features (R-DeCAF) in
Histopathology Images to Improve the Classification Performance for Breast
Cancer Diagnosis [0.0]
乳がんは世界で2番目に多いがんである。
ディープ畳み込みニューラルネットワーク(CNN)は効果的なソリューションである。
事前訓練したCNNの活性化層から抽出した特徴をDeep Convolutional activation features (DeCAF)と呼ぶ。
論文 参考訳（メタデータ） (2023-01-05T06:53:46Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - An Efficient Framework for Automated Screening of Clinically Significant
Macular Edema [0.41998444721319206]
本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。
提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。
スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
論文 参考訳（メタデータ） (2020-01-20T07:34:13Z)
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。