論文の概要: DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum
- arxiv url: http://arxiv.org/abs/2307.00324v1
- Date: Sat, 1 Jul 2023 12:30:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 16:44:08.718486
- Title: DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum
- Title（参考訳）: DeepMediX: スペクトル全体にわたるディープラーニング駆動型リソース効率の診断
- Authors: Kishore Babu Nampalle, Pradeep Singh, Uppala Vivek Narayan,
Balasubramanian Raman
- Abstract要約: この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
- 参考スコア（独自算出の注目度）: 15.382184404673389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the rapidly evolving landscape of medical imaging diagnostics, achieving
high accuracy while preserving computational efficiency remains a formidable
challenge. This work presents \texttt{DeepMediX}, a groundbreaking,
resource-efficient model that significantly addresses this challenge. Built on
top of the MobileNetV2 architecture, DeepMediX excels in classifying brain MRI
scans and skin cancer images, with superior performance demonstrated on both
binary and multiclass skin cancer datasets. It provides a solution to
labor-intensive manual processes, the need for large datasets, and complexities
related to image properties. DeepMediX's design also includes the concept of
Federated Learning, enabling a collaborative learning approach without
compromising data privacy. This approach allows diverse healthcare institutions
to benefit from shared learning experiences without the necessity of direct
data access, enhancing the model's predictive power while preserving the
privacy and integrity of sensitive patient data. Its low computational
footprint makes DeepMediX suitable for deployment on handheld devices, offering
potential for real-time diagnostic support. Through rigorous testing on
standard datasets, including the ISIC2018 for dermatological research,
DeepMediX demonstrates exceptional diagnostic capabilities, matching the
performance of existing models on almost all tasks and even outperforming them
in some cases. The findings of this study underline significant implications
for the development and deployment of AI-based tools in medical imaging and
their integration into point-of-care settings. The source code and models
generated would be released at https://github.com/kishorebabun/DeepMediX.
- Abstract（参考訳）: 医療画像診断の急速な進歩の中で、計算効率を保ちながら高い精度を達成することは、依然として困難な課題である。
これは画期的なリソース効率のよいモデルで、この課題を大幅に解決します。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に優れ、バイナリとマルチクラスの皮膚がんデータセットの両方で優れたパフォーマンスを示す。
これは、労働集約的な手動プロセス、大規模なデータセットの必要性、画像プロパティに関連する複雑さに対するソリューションを提供する。
deepmedixの設計には、データプライバシを損なうことなく協調学習アプローチを可能にする、連合学習の概念も含まれている。
このアプローチにより、多様な医療機関が、直接的なデータアクセスを必要とせずに共有学習体験の恩恵を受け、機密性の高い患者のデータのプライバシーと整合性を保ちながら、モデルの予測能力を高めることができる。
計算フットプリントが低いため、DeepMediXはハンドヘルドデバイスへのデプロイに適している。
皮膚科学研究のためのISIC2018を含む、標準的なデータセットの厳格なテストを通じて、DeepMediXは例外的な診断能力を示し、ほとんどすべてのタスクで既存のモデルのパフォーマンスにマッチし、場合によってはそれよりも優れています。
本研究の成果は、医療画像におけるAIベースのツールの開発と展開、およびポイント・オブ・ケア・セッティングへの統合に重要な意味を持つ。
ソースコードと生成されたモデルはhttps://github.com/kishorebabun/DeepMediXでリリースされる。
関連論文リスト
- Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。
より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。
さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
論文 参考訳（メタデータ） (2024-09-17T17:22:35Z) - HyperFusion: A Hypernetwork Approach to Multimodal Integration of Tabular and Medical Imaging Data for Predictive Modeling [4.44283662576491]
EHRの値と測定値に画像処理を条件付け,臨床画像と表層データを融合させるハイパーネットワークに基づく新しいフレームワークを提案する。
我々は, 単一モダリティモデルと最先端MRI-タブラルデータ融合法の両方に優れることを示す。
論文 参考訳（メタデータ） (2024-03-20T05:50:04Z) - HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。
The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。
HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-11-15T17:06:26Z) - Efficient Large Scale Medical Image Dataset Preparation for Machine
Learning Applications [0.08484806297945031]
本稿では,Kaapanaオープンソースツールキットの一部として開発された,革新的なデータキュレーションツールを紹介する。
このツールは、放射線学者や機械学習研究者のニーズに合わせたものだ。
高度な検索、自動アノテーション、データキュレーションの改善のための効率的なタグ付け機能を備えている。
論文 参考訳（メタデータ） (2023-09-29T14:41:02Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - medigan: A Python Library of Pretrained Generative Models for Enriched
Data Access in Medical Imaging [3.8568465270960264]
mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。
研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。
ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
論文 参考訳（メタデータ） (2022-09-28T23:45:33Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳（メタデータ） (2022-06-24T08:16:01Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z)
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。