Fugu-MT 論文翻訳(概要): Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation

論文の概要: Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation

arxiv url: http://arxiv.org/abs/2305.10975v1
Date: Thu, 18 May 2023 13:42:15 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 14:57:19.692655
Title: Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation
Title（参考訳）: 眼トキソプラズマ症自動診断のためのDeep Learning Frameworkのベンチマーク:分類とセグメンテーションへの包括的アプローチ
Authors: Syed Samiul Alam, Samiul Based Shuvo, Shams Nafisa Ali, Fardeen Ahmed, Arbil Chakma, Yeong Min Jang
Abstract要約: 眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
参考スコア（独自算出の注目度）: 1.3701366534590498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ocular Toxoplasmosis (OT), is a common eye infection caused by T. gondii that can cause vision problems. Diagnosis is typically done through a clinical examination and imaging, but these methods can be complicated and costly, requiring trained personnel. To address this issue, we have created a benchmark study that evaluates the effectiveness of existing pre-trained networks using transfer learning techniques to detect OT from fundus images. Furthermore, we have also analysed the performance of transfer-learning based segmentation networks to segment lesions in the images. This research seeks to provide a guide for future researchers looking to utilise DL techniques and develop a cheap, automated, easy-to-use, and accurate diagnostic method. We have performed in-depth analysis of different feature extraction techniques in order to find the most optimal one for OT classification and segmentation of lesions. For classification tasks, we have evaluated pre-trained models such as VGG16, MobileNetV2, InceptionV3, ResNet50, and DenseNet121 models. Among them, MobileNetV2 outperformed all other models in terms of Accuracy (Acc), Recall, and F1 Score outperforming the second-best model, InceptionV3 by 0.7% higher Acc. However, DenseNet121 achieved the best result in terms of Precision, which was 0.1% higher than MobileNetv2. For the segmentation task, this work has exploited U-Net architecture. In order to utilize transfer learning the encoder block of the traditional U-Net was replaced by MobileNetV2, InceptionV3, ResNet34, and VGG16 to evaluate different architectures moreover two different two different loss functions (Dice loss and Jaccard loss) were exploited in order to find the most optimal one. The MobileNetV2/U-Net outperformed ResNet34 by 0.5% and 2.1% in terms of Acc and Dice Score, respectively when Jaccard loss function is employed during the training.
Abstract（参考訳）: 眼トキソプラズマ症(ocular toxoplasmosis、ot)は、t. gondiiによって引き起こされる一般的な眼感染症である。診断は通常臨床検査と画像検査によって行われるが、これらの手法は複雑でコストがかかるため、訓練された人員を必要とする。そこで本研究では,眼底画像からotを検出するトランスファー学習手法を用いて,既存の事前学習ネットワークの有効性を評価するベンチマーク研究を行った。さらに,画像中の部分的病変に対するトランスファーラーニングに基づくセグメンテーションネットワークの性能も分析した。本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。我々は,OT分類と病変の分節化に最適な方法を見つけるために,異なる特徴抽出手法の詳細な解析を行った。分類タスクでは,VGG16,MobileNetV2,InceptionV3,ResNet50,DenseNet121などの事前学習モデルの評価を行った。中でもmobilenetv2は、精度(acc)、リコール、f1スコアにおいて、第2のベストモデルであるinceptionv3を0.7%高いaccで上回った。しかし、DenseNet121は、MobileNetv2よりも0.1%高い精度で最高の結果を得た。セグメンテーションタスクでは、この作業はU-Netアーキテクチャを活用している。従来のU-NetのエンコーダブロックをMobileNetV2, InceptionV3, ResNet34, VGG16に置き換えて, 2つの異なる損失関数(Dice Los, Jaccard Los)を2つに分けて評価した。 MobileNetV2/U-Netは、トレーニング中にJaccard損失関数が採用されたとき、それぞれAccとDice Scoreの2.1%でResNet34を0.5%上回った。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。 MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
論文参考訳（メタデータ） (2024-08-16T20:15:24Z)
GDN: A Stacking Network Used for Skin Cancer Diagnosis [3.3091074760783554]
本稿では,皮膚癌,基底細胞癌,メラノーマの2種類の画像分類モデルであるGoogLe-Dense Network(GDN)について述べる。 GDNは2つのシーケンシャルなレベルから構成されている。第1のレベルはGoogLeNetとDenseNetによって達成された基本的な分類タスクを実行し、効率を高めるために並列にトレーニングされている。提案手法を,データセット上のResNet,VGGNet,DenseNet,GoogLeNetの4つのベースラインネットワークと比較し,GoogLeNetとDenseNetがResNetとVGGNetを大きく上回った。
論文参考訳（メタデータ） (2023-12-05T02:33:55Z)
Defect Analysis of 3D Printed Cylinder Object Using Transfer Learning Approaches [0.51795041186793]
本研究では3次元プリントシリンダの欠陥検出における機械学習アプローチ,特にトランスファーラーニング(TL)モデルの有効性について検討する。 VGG16, VGG19, ResNet50, ResNet101, InceptionResNetV2, MobileNetV2 などのモデルを用いてシリンダー画像の解析を行った。結果から,アルゴリズムによって性能は異なるものの,特定のTLモデルによってAM欠陥分類の精度が高いことが示唆された。
論文参考訳（メタデータ） (2023-10-12T18:10:36Z)
Designing an Improved Deep Learning-based Model for COVID-19 Recognition in Chest X-ray Images: A Knowledge Distillation Approach [0.0]
本研究では,VGG19とResNet50V2という2つのニューラルネットワークを用いて,データセットの特徴抽出を改善する。 MobileNetV2はセマンティック機能を抽出し、モバイルと組み込みデバイスで最小限の計算を必要とする。
論文参考訳（メタデータ） (2023-01-06T22:31:05Z)
Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文参考訳（メタデータ） (2022-10-19T15:15:32Z)
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)
LGD: Label-guided Self-distillation for Object Detection [59.9972914042281]
我々はLGD(Label-Guided Self-Distillation)と呼ばれる汎用物体検出のための最初の自己蒸留フレームワークを提案する。本フレームワークは, 学習知識を得るために, スパースラベル-外観符号化, オブジェクト間関係適応, オブジェクト内知識マッピングを含む。従来の教師ベースのFGFIと比較すると、LGDは予習された教師を必要とせず、本質的な学生学習よりも51%低い訓練コストで性能が向上する。
論文参考訳（メタデータ） (2021-09-23T16:55:01Z)
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)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。