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/2308.13492v3
- Date: Sun, 16 Jun 2024 02:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 12:40:28.028799
- 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, Jialong Xu, Zipei Zheng, Zhenzhang Li, Yang Li,
- Abstract要約: Fast-MpoxNetはわずか0.27Mパラメータで、CPU上の68フレーム毎秒(FPS)で入力画像を処理できる。
Mpox-AISM V2は、迅速に正確にmpoxを診断でき、公共のリアルタイムmpox診断サービスを提供するために、様々なシナリオに容易に展開できる。
- 参考スコア(独自算出の注目度): 4.393125661498784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the absence of more efficient diagnostic tools, the spread of mpox continues to be unchecked. Although related studies have demonstrated the high efficiency of deep learning models in diagnosing mpox, key aspects such as model inference speed and parameter size have always been overlooked. Herein, an ultrafast and ultralight network named Fast-MpoxNet is proposed. Fast-MpoxNet, with only 0.27M parameters, can process input images at 68 frames per second (FPS) on the CPU. To detect subtle image differences and optimize model parameters better, Fast-MpoxNet incorporates an attention-based feature fusion module and a multiple auxiliary losses enhancement strategy. Experimental results indicate that Fast-MpoxNet, utilizing transfer learning and data augmentation, produces 98.40% classification accuracy for four classes on the mpox dataset. Furthermore, its Recall for early-stage mpox is 93.65%. Most importantly, an application system named Mpox-AISM V2 is developed, suitable for both personal computers and smartphones. Mpox-AISM V2 can rapidly and accurately diagnose mpox and can be easily deployed in various scenarios to offer the public real-time mpox diagnosis services. This work has the potential to mitigate future mpox outbreaks and pave the way for developing real-time diagnostic tools in the healthcare field.
- Abstract(参考訳): より効率的な診断ツールがないため、mpoxの拡散は未確認のままである。
関連する研究は、深層学習モデルのmpox診断における高効率性を実証しているが、モデル推論速度やパラメータサイズといった重要な側面は、常に見過ごされてきた。
本稿では,Fast-MpoxNetという超高速・超軽量ネットワークを提案する。
Fast-MpoxNetはわずか0.27Mパラメータで、CPU上の68フレーム毎秒(FPS)で入力画像を処理できる。
微妙な画像の違いを検出し、モデルパラメータを最適化するために、Fast-MpoxNetは注意に基づく特徴融合モジュールと、複数の補助的損失増強戦略を取り入れている。
実験結果から,転送学習とデータ拡張を利用したFast-MpoxNetでは,mpoxデータセット上の4つのクラスに対して98.40%の分類精度が得られた。
さらに、初期のmpoxのリコールは93.65%である。
最も重要なことは、パーソナルコンピュータとスマートフォンの両方に適したMpox-AISM V2というアプリケーションシステムを開発することである。
Mpox-AISM V2は、迅速に正確にmpoxを診断でき、公共のリアルタイムmpox診断サービスを提供するために、様々なシナリオに容易に展開できる。
この研究は、将来のmpox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道を開く可能性がある。
関連論文リスト
- 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) - Low latency optical-based mode tracking with machine learning deployed on FPGAs on a tokamak [0.8506991993461593]
本研究ではFPGAを用いた高速カメラデータ取得・処理システムについて述べる。
リアルタイムの機械学習ベースのトカマク診断と制御、および他の科学分野の潜在的な応用を可能にする。
論文 参考訳(メタデータ) (2023-11-30T19:00:03Z) - A Lightweight, Rapid and Efficient Deep Convolutional Network for Chest
X-Ray Tuberculosis Detection [0.0]
結核(TB)はいまだに世界中の死因の1つとして認識されている。
近年, 深層学習(DL)の進歩により, 胸部X線像の正確な解釈能力が向上し, 誤りも少なくなった。
我々は、CXR画像からTBを検出するために特別にカスタマイズされた、軽量で高速で効率的な深層畳み込みネットワークであるLightTBNetを提案する。
論文 参考訳(メタデータ) (2023-09-05T11:30:38Z) - 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) - EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳(メタデータ) (2023-02-15T06:05:14Z) - 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) - Learning to Efficiently Sample from Diffusion Probabilistic Models [49.58748345998702]
Denoising Diffusion Probabilistic Models (DDPM) は、様々な領域にわたる高忠実度サンプルと競合する対数類似度が得られる。
我々は,事前学習したDDPMに対して最適な離散時間スケジュールを求める,正確な動的プログラミングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-07T17:15:07Z) - 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) - A Data-Efficient Deep Learning Based Smartphone Application For
Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。
スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
論文 参考訳(メタデータ) (2020-08-19T04:28:17Z)
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。