論文の概要: U-SEANNet: A Simple, Efficient and Applied U-Shaped Network for
Diagnosis of Nasal Diseases on Nasal Endoscopic Images
- arxiv url: http://arxiv.org/abs/2308.14081v2
- Date: Sat, 2 Sep 2023 10:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 02:47:28.107836
- Title: U-SEANNet: A Simple, Efficient and Applied U-Shaped Network for
Diagnosis of Nasal Diseases on Nasal Endoscopic Images
- Title(参考訳): U-SEANNet:鼻内視鏡画像における鼻疾患診断のための簡便で効率的なU字型ネットワーク
- Authors: Yubiao Yue, Jun Xue, Chao Wang, Haihua Liang, Zhenzhang Li
- Abstract要約: 深度的に分離可能な畳み込みを基盤としたU-SEANNetを提案する。
U-SEANNetを5倍のクロスバリデーションによって17のモダンアーキテクチャと比較した。
その結果,U-SEANNetの補正精度は93.58%であった。
- 参考スコア(独自算出の注目度): 2.5581726372911726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous studies have affirmed that deep learning models can facilitate early
diagnosis of lesions in endoscopic images. However, the lack of available
datasets stymies advancements in research on nasal endoscopy, and existing
models fail to strike a good trade-off between model diagnosis performance,
model complexity and parameters size, rendering them unsuitable for real-world
application. To bridge these gaps, we created the first large-scale nasal
endoscopy dataset, named 7-NasalEID, comprising 11,352 images that contain six
common nasal diseases and normal samples. Subsequently, we proposed U-SEANNet,
an innovative U-shaped architecture, underpinned by depth-wise separable
convolution. Moreover, to enhance its capacity for detecting nuanced
discrepancies in input images, U-SEANNet employs the Global-Local Channel
Feature Fusion module, enabling it to utilize salient channel features from
both global and local contexts. To demonstrate U-SEANNet's potential, we
benchmarked U-SEANNet against seventeen modern architectures through five-fold
cross-validation. The experimental results show that U-SEANNet achieves a
commendable accuracy of 93.58%. Notably, U-SEANNet's parameters size and GFLOPs
are only 0.78M and 0.21, respectively. Our findings suggest U-SEANNet is the
state-of-the-art model for nasal diseases diagnosis in endoscopic images.
- Abstract(参考訳): 多くの研究が、深層学習モデルが内視鏡画像の病変の早期診断を容易にすることを裏付けている。
しかし、利用可能なデータセットの欠如は鼻腔内視鏡の研究の進歩を阻害し、既存のモデルはモデル診断のパフォーマンス、モデルの複雑さ、パラメータサイズの間の良好なトレードオフに至らず、実際の用途には適さない。
このギャップを埋めるために、私たちは最初の大規模な鼻内視鏡データセットである7-NasalEIDを作成しました。
その後,U字型アーキテクチャであるU-SEANNetを提案する。
さらに、入力画像のニュアンスの不一致を検出する能力を高めるため、u-seannetはglobal-local channel feature fusionモジュールを使用して、グローバルとローカルの両方のコンテキストからsalient channel機能を利用することができる。
U-SEANNetの可能性を示すために、U-SEANNetを5倍のクロスバリデーションにより17のモダンアーキテクチャと比較した。
実験結果から,U-SEANNetの補正精度は93.58%であった。
特に、U-SEANNet のパラメータサイズと GFLOP はそれぞれ 0.78M と 0.21 である。
U-SEANNetは内視鏡画像における鼻疾患診断の最先端モデルであると考えられた。
関連論文リスト
- Improving Nonalcoholic Fatty Liver Disease Classification Performance
With Latent Diffusion Models [0.0]
拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。
その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
論文 参考訳(メタデータ) (2023-07-13T01:14:08Z) - MAF-Net: Multiple attention-guided fusion network for fundus vascular
image segmentation [1.3295074739915493]
網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。
従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。
提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
論文 参考訳(メタデータ) (2023-05-05T15:22:20Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳(メタデータ) (2022-04-13T15:27:05Z) - Detection of Large Vessel Occlusions using Deep Learning by Deforming
Vessel Tree Segmentations [5.408694811103598]
この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。
ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。
5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
論文 参考訳(メタデータ) (2021-12-03T09:07:29Z) - 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) - 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) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z) - Two-Stream Deep Feature Modelling for Automated Video Endoscopy Data
Analysis [45.19890687786009]
内視鏡画像解析のための2ストリームモデルを提案する。
本モデルでは,2つの深い特徴入力を融合させ,それらの関係関係を新たな関係ネットワークモデルによりマッピングする。
論文 参考訳(メタデータ) (2020-07-12T05:24:08Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳(メタデータ) (2020-06-03T22:55:53Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z)
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。