論文の概要: Gastrointestinal Mucosal Problems Classification with Deep Learning

• arxiv url: http://arxiv.org/abs/2307.16198v1
• Date: Sun, 30 Jul 2023 10:45:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 17:07:45.375728
• Title: Gastrointestinal Mucosal Problems Classification with Deep Learning
• Title（参考訳）: 深層学習による消化管粘膜障害分類
• Authors: Mohammadhasan Goharian, Vahid Goharian, Hamidreza Bolhasani
• Abstract要約: 本稿では,8種類の粘膜変化と解剖学的ランドマークを深層学習により予測した。 この記事では、ニューラルネットワークを使用しました。人間のニューラルネットワークのように動作するブラックボックス人工知能アルゴリズムです。 最終的に,本モデルを実際の内視鏡および大腸内視鏡像に応用し,問題を分類した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gastrointestinal mucosal changes can cause cancers after some years and early diagnosing them can be very useful to prevent cancers and early treatment. In this article, 8 classes of mucosal changes and anatomical landmarks including Polyps, Ulcerative Colitis, Esophagitis, Normal Z-Line, Normal Pylorus, Normal Cecum, Dyed Lifted Polyps, and Dyed Lifted Margin were predicted by deep learning. We used neural networks in this article. It is a black box artificial intelligence algorithm that works like a human neural system. In this article, Transfer Learning (TL) based on the Convolutional Neural Networks (CNNs), which is one of the well-known types of neural networks in image processing is used. We compared some famous CNN architecture including VGG, Inception, Xception, and ResNet. Our best model got 93% accuracy in test images. At last, we used our model in some real endoscopy and colonoscopy movies to classify problems.
• Abstract（参考訳）: 消化管粘膜の変化は数年後にがんを発症し、早期診断はがんの予防や早期治療に非常に有用である。 本稿では,ポリープ,潰瘍性大腸炎,食道炎,正常Zライン,正常Pylorus,正常Cecum,染料リフテッドポリープ,染料リフテッドマージンの8種類の粘膜変化と解剖学的特徴を深層学習により予測した。 本論文ではニューラルネットワークを用いた。 これは、人間のニューラルネットワークのように動作するブラックボックス人工知能アルゴリズムである。 本稿では,画像処理におけるよく知られたニューラルネットワークの1つである畳み込みニューラルネットワーク(cnns)に基づく転送学習(tl)について述べる。 我々は、VGG、Inception、Xception、ResNetといった有名なCNNアーキテクチャを比較した。 我々の最良のモデルは、テスト画像で93%の精度を得た。 最終的に,本モデルを実際の内視鏡および大腸内視鏡像に応用し,問題を分類した。

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)
• Learning Low-Rank Feature for Thorax Disease Classification [7.447448767095787]
  本稿では胸部疾患分類について検討する。 疾患領域の特徴の効果的な抽出は, 放射線画像上の疾患分類に不可欠である。 本稿では,Low-Rank Feature Learning (LRFL)法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T15:35:56Z)
• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• Convolutional Neural Networks Exploiting Attributes of Biological Neurons [7.3517426088986815]
  畳み込みニューラルネットワーク(CNN)のようなディープニューラルネットワークは、最前線として登場し、しばしば人間の能力を上回っている。 ここでは,生物ニューロンの原理をCNNの特定の層に統合する。 我々は,CNNの入力として使用する画像の特徴を抽出し,訓練効率の向上と精度の向上を期待する。
  論文  参考訳（メタデータ） (2023-11-14T16:58:18Z)
• HierAttn: Effectively Learn Representations from Stage Attention and Branch Attention for Skin Lesions Diagnosis [18.026088450803258]
  皮膚がんの早期診断と治療には, 皮膚病変の正確な非バイアス検査が重要である。 最近の研究では、画像の早期診断のための分類のために、アンサンブル畳み込みニューラルネットワーク(CNN)が開発されている。 階層型および自己注意型ニューラルネットワークであるHierAttnを紹介する。
  論文  参考訳（メタデータ） (2022-05-09T14:30:34Z)
• Classification of Skin Cancer Images using Convolutional Neural Networks [0.0]
  皮膚がんは最も一般的なヒト悪性腫瘍である。 ディープニューラルネットワークは、画像分類の謙虚な可能性を示している。 最も高いモデル精度は86.65%以上である。
  論文  参考訳（メタデータ） (2022-02-01T17:11:41Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。