論文の概要: Towards Earlier Detection of Oral Diseases On Smartphones Using Oral and
Dental RGB Images
- arxiv url: http://arxiv.org/abs/2308.15705v1
- Date: Wed, 30 Aug 2023 02:01:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 15:03:21.622558
- Title: Towards Earlier Detection of Oral Diseases On Smartphones Using Oral and
Dental RGB Images
- Title（参考訳）: 歯科用RGB画像を用いたスマートフォンにおける口腔疾患の早期発見に向けて
- Authors: Ayush Garg, Julia Lu, and Anika Maji
- Abstract要約: ローエンドデバイス上で効率的に動作しながらRGB画像の微積分を検出できる軽量機械学習モデルを提案する。
このモデル、修正されたMobileNetV3-Smallニューラルネットワーク転送は72.73%の精度を達成した。
ResNet34ベースのモデルも構築され、精度は81.82%に達した。
- 参考スコア（独自算出の注目度）: 0.5461938536945723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Oral diseases such as periodontal (gum) diseases and dental caries (cavities)
affect billions of people across the world today. However, previous
state-of-the-art models have relied on X-ray images to detect oral diseases,
making them inaccessible to remote monitoring, developing countries, and
telemedicine. To combat this overuse of X-ray imagery, we propose a lightweight
machine learning model capable of detecting calculus (also known as hardened
plaque or tartar) in RGB images while running efficiently on low-end devices.
The model, a modified MobileNetV3-Small neural network transfer learned from
ImageNet, achieved an accuracy of 72.73% (which is comparable to
state-of-the-art solutions) while still being able to run on mobile devices due
to its reduced memory requirements and processing times. A ResNet34-based model
was also constructed and achieved an accuracy of 81.82%. Both of these models
were tested on a mobile app, demonstrating their potential to limit the number
of serious oral disease cases as their predictions can help patients schedule
appointments earlier without the need to go to the clinic.
- Abstract（参考訳）: 歯周病(gum)や歯槽病(キャビティ)などの口腔疾患は、今日世界中の何十億もの人々に影響を与えている。
しかし、従来の最先端モデルは口腔疾患の検出にX線画像に依存しており、遠隔監視、発展途上国、遠隔医療にはアクセスできない。
このようなX線画像の過剰使用に対処するため,ローエンドデバイス上で効率的に動作しながら,RGB画像の微積分(硬化プラークやタール)を検出する軽量機械学習モデルを提案する。
このモデルは、imagenetから学んだ修正されたmobilenetv3-smallニューラルネットワーク転送であり、72.73%(最先端ソリューションに匹敵する)の精度を達成したが、メモリ要件の削減と処理時間の短縮により、モバイルデバイス上でも動作可能であった。
ResNet34ベースのモデルも構築され、精度は81.82%に達した。
どちらのモデルもモバイルアプリでテストされ、患者が診療所に行く必要なしに早期に予約をスケジュールできるので、深刻な口腔疾患の患者数を制限する可能性を実証した。
関連論文リスト
- Self-Supervised Learning with Masked Image Modeling for Teeth Numbering,
Detection of Dental Restorations, and Instance Segmentation in Dental
Panoramic Radiographs [8.397847537464534]
本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。
我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
論文 参考訳（メタデータ） (2022-10-20T16:50:07Z) - Forensic Dental Age Estimation Using Modified Deep Learning Neural
Network [0.0]
本研究は, 年齢8歳から68歳までの被験者のDPR画像1,332例を用いて, 法医学的年齢を自動推定する手法を提案する。
平均絶対誤差(MAE)は3.13、根平均二乗誤差(RMSE)は4.77、相関係数R$2$は87%であった。
論文 参考訳（メタデータ） (2022-08-21T04:06:04Z) - 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) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Comparative Analysis of Deep Learning Algorithms for Classification of
COVID-19 X-Ray Images [0.0]
コロナウイルスは、2019年に中国の武漢市で最初に発生し、世界中に急速に広まりました。
疾患の早期拡大を早期に抑制するためには、陽性のコロナ患者をできるだけ早く調査することが主な課題である。
これまでの研究では、この種の画像が新型コロナウイルスに関連する重要な詳細を持っていることが示唆された。
改良型人工知能(AI)システムと無線画像の併用は、このウイルスの正確かつ正確な解決には有益であり、遠くの村落で専門医の不足を克服するのにも有用である。
論文 参考訳（メタデータ） (2021-10-14T04:51:32Z) - 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) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - PaXNet: Dental Caries Detection in Panoramic X-ray using Ensemble
Transfer Learning and Capsule Classifier [8.164433158925593]
多くの場合、画像品質の低さなどの異なる理由から、X線を用いた歯列の識別は困難である。
そこで本研究では,パノラマ画像中の歯列を初めて検出する自動診断システムを提案する。
提案モデルは、X線から関連する特徴を抽出し、カプセルネットワークを用いて予測結果を描画するトランスファーラーニングにより、事前訓練された様々な深層学習モデルの利点を享受する。
論文 参考訳（メタデータ） (2020-12-26T03:00:35Z) - Automated Methods for Detection and Classification Pneumonia based on
X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。
CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文 参考訳（メタデータ） (2020-03-31T16:48:27Z)
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。