論文の概要: Ultrafast-and-Ultralight ConvNet-Based Intelligent Monitoring System for
Diagnosing Early-Stage Mpox Anytime and Anywhere
- arxiv url: http://arxiv.org/abs/2308.13492v1
- Date: Fri, 25 Aug 2023 17:06:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 13:11:57.726768
- Title: Ultrafast-and-Ultralight ConvNet-Based Intelligent Monitoring System for
Diagnosing Early-Stage Mpox Anytime and Anywhere
- Title（参考訳）: 超高速Ultralight ConvNetを用いた早期Mpox診断のためのインテリジェントモニタリングシステム
- Authors: Yubiao Yue, Xiaoqiang Shi, Li Qin, Xinyue Zhang, Yanmei Chen, Jialong
Xu, Zipei Zheng, Yujun Cao, Di Liu, Zhenzhang Li, Yang Li
- Abstract要約: 我々はFast-MpoxNetという超高速で超軽量なネットワークを提案する。
Fast-MpoxNetは0.27Mパラメータしか持たず、CPU上で68フレーム/秒(FPS)で入力画像を処理できる。
また、パソコンと携帯電話の両方にMpox-AISM V2というアプリケーションシステムを開発した。
- 参考スコア（独自算出の注目度）: 5.479858970142124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the lack of more efficient diagnostic tools for monkeypox, its spread
remains unchecked, presenting a formidable challenge to global health. While
the high efficacy of deep learning models for monkeypox diagnosis has been
demonstrated in related studies, the overlook of inference speed, the parameter
size and diagnosis performance for early-stage monkeypox renders the models
inapplicable in real-world settings. To address these challenges, we proposed
an ultrafast and ultralight network named Fast-MpoxNet. Fast-MpoxNet possesses
only 0.27M parameters and can process input images at 68 frames per second
(FPS) on the CPU. To counteract the diagnostic performance limitation brought
about by the small model capacity, it integrates the attention-based feature
fusion module and the multiple auxiliary losses enhancement strategy for better
detecting subtle image changes and optimizing weights. Using transfer learning
and five-fold cross-validation, Fast-MpoxNet achieves 94.26% Accuracy on the
Mpox dataset. Notably, its recall for early-stage monkeypox achieves 93.65%. By
adopting data augmentation, our model's Accuracy rises to 98.40% and attains a
Practicality Score (A new metric for measuring model practicality in real-time
diagnosis application) of 0.80. We also developed an application system named
Mpox-AISM V2 for both personal computers and mobile phones. Mpox-AISM V2
features ultrafast responses, offline functionality, and easy deployment,
enabling accurate and real-time diagnosis for both the public and individuals
in various real-world settings, especially in populous settings during the
outbreak. Our work could potentially mitigate future monkeypox outbreak and
illuminate a fresh paradigm for developing real-time diagnostic tools in the
healthcare field.
- Abstract（参考訳）: monkeypoxのより効率的な診断ツールが欠如しているため、その広まりは未確認のままであり、世界的な健康にとって大きな課題となっている。
サルポックス診断におけるディープラーニングモデルの高い有効性は関連する研究で実証されているが、推論速度、パラメータサイズ、早期サルポックスの診断性能の見落としは、実際の環境では適用できない。
これらの課題に対処するため,我々はFast-MpoxNetという超高速で超軽量なネットワークを提案した。
Fast-MpoxNetは0.27Mパラメータしか持たず、CPU上で68フレーム/秒(FPS)で入力画像を処理できる。
小型モデルキャパシティによる診断性能の限界に対応するため、注意に基づく特徴融合モジュールと、微妙な画像変化の検知と重みの最適化のための多重補助的損失増強戦略を統合する。
転送学習と5倍のクロスバリデーションを使用して、Fast-MpoxNetはMpoxデータセット上で94.26%の精度を達成した。
特に初期のサルポックスのリコールは93.65%に達する。
データ拡張の導入により、モデルの精度は98.40%向上し、実用性スコア(リアルタイム診断アプリケーションにおけるモデル実用性測定の新しい指標)が0.80に達する。
また、パソコンと携帯電話の両方にMpox-AISM V2というアプリケーションシステムを開発した。
Mpox-AISM V2は、超高速な応答、オフライン機能、デプロイが容易で、特にアウトブレイク時の人口の多い環境で、様々な現実の環境で、一般人および個人の両方の正確なリアルタイム診断を可能にする。
我々の研究は、将来のサルポックスの発生を緩和し、医療分野でリアルタイム診断ツールを開発するための新しいパラダイムを照らす可能性がある。
関連論文リスト
- MpoxMamba: A Grouped Mamba-based Lightweight Hybrid Network for Mpox Detection [1.9861301166025644]
世界保健機関(WHO)は、ムポックスウイルスの感染が世界中で拡大し続けており、国際保健機関(WHO)による国際的懸念の公衆衛生上の緊急事態と宣言している。
深層学習モデルに基づく検出システムは、広範囲な展開に適しているため、mpoxの発生を緩和するために不可欠である。
効率的なmpox検出のためのMpoxMambaという軽量ハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-09-06T12:17:23Z) - Mpox Screen Lite: AI-Driven On-Device Offline Mpox Screening for Low-Resource African Mpox Emergency Response [0.0]
2024年のMpoxの流行は、特にアフリカで重篤な1bの出現で、資源制限された環境での診断能力に重大なギャップが浮き彫りになっている。
本研究の目的は、低リソース環境でオフラインで動作するように設計されたMpox用のAI駆動オンデバイススクリーニングツールの開発と評価である。
論文 参考訳（メタデータ） (2024-09-05T11:18:34Z) - LSM-YOLO: A Compact and Effective ROI Detector for Medical Detection [8.812471041082105]
軽量適応抽出(LAE)とマルチパスシャント特徴マッチング(MSFM)を組み合わせた軽量シャントマッチングヨロ(LSM-YOLO)という新しいモデルを提案する。
LSM-YOLOは、膵腫瘍のプライベートデータセットで48.6%AP、BCCD血液細胞検出公開データセットで65.1%AP、Br35h脳腫瘍検出公開データセットで73.0%APを達成した。
論文 参考訳（メタデータ） (2024-08-26T08:16:58Z) - MedPromptX: Grounded Multimodal Prompting for Chest X-ray Diagnosis [1.2903829793534272]
胸部X線像は急性および慢性の心肺疾患の予測に一般的に用いられている。
構造化された臨床データと統合する努力は、不完全な電子健康記録による課題に直面している。
本稿では,MedPromptXについて紹介する。MedPromptXはマルチモーダル大言語モデル(MLLM),少数ショットプロンプト(FP),視覚的グラウンドディング(VG)を統合した最初のモデルである。
その結果、MedPromptXのSOTA性能を示し、ベースラインに比べてF1スコアが11%向上した。
論文 参考訳（メタデータ） (2024-03-22T19:19:51Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - Mpox-AISM: AI-Mediated Super Monitoring for Mpox and Like-Mpox [7.381293390784665]
スーパーモニタリング」は人工知能(AI)とインターネット技術を用いたリアルタイム可視化技術である。
mpox-AISMは、ディープラーニングモデル、データ拡張、自己教師型学習、クラウドサービスを統合している。
ポックスの診断では94.51%の精度で6種類の同種皮膚障害、正常な皮膚を診断する。
論文 参考訳（メタデータ） (2023-03-17T05:27:16Z) - Multipoint-BAX: A New Approach for Efficiently Tuning Particle
Accelerator Emittance via Virtual Objectives [47.52324722637079]
マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。
我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
論文 参考訳（メタデータ） (2022-09-10T04:01:23Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - VAEBM: A Symbiosis between Variational Autoencoders and Energy-based
Models [84.14682116977433]
エネルギーベースモデル(EBM)は、最近、小さな画像の複雑な分布を表すことに成功している。
VAEBMは、最先端のVAEを使用して、データ分散の全体的なモード構造をキャプチャする。
EBMコンポーネントを使用して、モデルから非データライクな領域を明示的に排除し、イメージサンプルを精査する。
論文 参考訳（メタデータ） (2020-10-01T19:28:28Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。