Fugu-MT 論文翻訳(概要): Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement

論文の概要: Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement

arxiv url: http://arxiv.org/abs/2305.01044v1
Date: Mon, 1 May 2023 19:06:28 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 16:20:58.003829
Title: Venn Diagram Multi-label Class Interpretation of Diabetic Foot Ulcer with Color and Sharpness Enhancement
Title（参考訳）: 色とシャープネスを増強した糖尿病性足部潰瘍のVenn Diagram Multi-label Class Interpretation
Authors: Md Mahamudul Hasan, Moi Hoon Yap, Md Kamrul Hasan
Abstract要約: DFUは糖尿病の重篤な合併症であり、適切に治療しなければ下肢の切断につながる可能性がある。本稿では,異なる画像強調手法を用いたマルチラベルCNN手法のVenn Diagram解釈を提案し,マルチクラスDFU分類を改善する。提案手法は既存の手法より優れており,それぞれ0.6592,0.6593,0.6652のマクロ平均F1,リコール,精度スコアを達成している。
参考スコア（独自算出の注目度）: 8.16095457838169
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: DFU is a severe complication of diabetes that can lead to amputation of the lower limb if not treated properly. Inspired by the 2021 Diabetic Foot Ulcer Grand Challenge, researchers designed automated multi-class classification of DFU, including infection, ischaemia, both of these conditions, and none of these conditions. However, it remains a challenge as classification accuracy is still not satisfactory. This paper proposes a Venn Diagram interpretation of multi-label CNN-based method, utilizing different image enhancement strategies, to improve the multi-class DFU classification. We propose to reduce the four classes into two since both class wounds can be interpreted as the simultaneous occurrence of infection and ischaemia and none class wounds as the absence of infection and ischaemia. We introduce a novel Venn Diagram representation block in the classifier to interpret all four classes from these two classes. To make our model more resilient, we propose enhancing the perceptual quality of DFU images, particularly blurry or inconsistently lit DFU images, by performing color and sharpness enhancements on them. We also employ a fine-tuned optimization technique, adaptive sharpness aware minimization, to improve the CNN model generalization performance. The proposed method is evaluated on the test dataset of DFUC2021, containing 5,734 images and the results are compared with the top-3 winning entries of DFUC2021. Our proposed approach outperforms these existing approaches and achieves Macro-Average F1, Recall and Precision scores of 0.6592, 0.6593, and 0.6652, respectively.Additionally, We perform ablation studies and image quality measurements to further interpret our proposed method. This proposed method will benefit patients with DFUs since it tackles the inconsistencies in captured images and can be employed for a more robust remote DFU wound classification.
Abstract（参考訳）: DFUは糖尿病の重篤な合併症であり、適切に治療しなければ下肢の切断につながる可能性がある。 2021年の糖尿病性足潰瘍のグランドチャレンジに触発されて、研究者たちは感染、虚血、これらの状態の両方を含むdfuの自動多種分類を考案した。しかし、分類精度はまだ不十分であるため、依然として課題である。本稿では,異なる画像強調手法を用いたマルチラベルCNN方式のVenn Diagramによる解釈を提案し,DFU分類の改善を図る。いずれのクラスも感染と虚血の同時発生と解釈できるため,感染の欠如と虚血の欠如はクラス傷の欠如と解釈できるため,4つのクラスを2つに減らすことを提案する。これら2つのクラスから4つのクラス全てを解釈するために、分類器に新しいVenn Diagram表現ブロックを導入する。モデルをより弾力性のあるものにするために,色やシャープさの強化により,DFU画像の知覚品質,特にぼやけや不整合DFU画像の画質を向上させることを提案する。また、CNNモデル一般化性能を改善するために、微調整最適化手法、適応的シャープネス認識最小化を用いる。提案手法は,5,734枚の画像を含むDFUC2021のテストデータセットを用いて評価し,DFUC2021の上位3点と比較した。提案手法は, 既存の手法よりも優れており, マクロ平均値f1, リコールスコア0.6592, 0.6593, 0.6652をそれぞれ上回っており, さらに, アブレーション研究および画質測定を行い, 提案手法をさらに解釈する。本手法は, 撮影画像の不整合に対処し, より堅牢な遠隔DFU創傷分類に利用できるため, DFU患者に有用である。

関連論文リスト

Synthesizing Diabetic Foot Ulcer Images with Diffusion Model [1.8699569122464073]
糖尿病性足底潰瘍(DFU)は、専門的な治療を必要とする重度の皮膚外傷である。近年, 合成画像を生成する強力なツールとして, 合成対向ネットワークや拡散モデルが登場している。本稿では,DFU画像を合成するための拡散モデルの可能性について検討し,その信頼性を専門医による評価を通じて評価する。
論文参考訳（メタデータ） (2023-10-31T03:15:30Z)
Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models [0.0]
拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
論文参考訳（メタデータ） (2023-07-13T01:14:08Z)
DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-03-19T09:15:45Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文参考訳（メタデータ） (2021-11-01T15:31:32Z)
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)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)
A Machine Learning Model for Early Detection of Diabetic Foot using Thermogram Images [3.8261286462270006]
糖尿病性足の潰瘍(DFU)と切断は致命的な致死性の原因である。サーモグラム画像は、DFU以前の足底温度の上昇を検出するのに役立つかもしれない。糖尿病の足を同定するための頑健な解法を提案する。
論文参考訳（メタデータ） (2021-06-27T11:37:59Z)
Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。一般的に使用されるものよりも頑丈である。大規模な最適化の観点からも同じ利点を享受しながら、正方損失。私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文参考訳（メタデータ） (2020-12-06T03:41:51Z)
Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy [0.0]
Inception-V3, VGG19, VGG16, ResNet50, InceptionResNetV2を実験により評価した。彼らは、DR重度に基づいて、医療画像を5つの異なるクラスに分類する。実験の結果、ResNet50はバイナリ分類の最高性能を示している。
論文参考訳（メタデータ） (2020-10-07T20:42:14Z)

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。