論文の概要: Ammonia-Net: A Multi-task Joint Learning Model for Multi-class
Segmentation and Classification in Tooth-marked Tongue Diagnosis
- arxiv url: http://arxiv.org/abs/2310.03472v1
- Date: Thu, 5 Oct 2023 11:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 16:35:15.160699
- Title: Ammonia-Net: A Multi-task Joint Learning Model for Multi-class
Segmentation and Classification in Tooth-marked Tongue Diagnosis
- Title（参考訳）: Ammonia-Net:マルチタスク共同学習モデル : 歯印舌診断におけるマルチクラスセグメンテーションと分類
- Authors: Shunkai Shi, Yuqi Wang, Qihui Ye, Yanran Wang, Yiming Zhu, Muhammad
Hassan, Aikaterini Melliou, Dongmei Yu
- Abstract要約: 伝統的な中国医学では、舌の歯の跡が気(黄)欠乏症を評価する重要な指標となっている。
これらの問題に対処するため,Ammonia-Net というマルチタスク共同学習モデルを提案する。
アンモニアネットは舌画像のセマンティックセグメンテーションを行い、舌と歯跡を識別する。
- 参考スコア（独自算出の注目度）: 12.095100353695038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Traditional Chinese Medicine, the tooth marks on the tongue, stemming from
prolonged dental pressure, serve as a crucial indicator for assessing qi (yang)
deficiency, which is intrinsically linked to visceral health. Manual diagnosis
of tooth-marked tongue solely relies on experience. Nonetheless, the diversity
in shape, color, and type of tooth marks poses a challenge to diagnostic
accuracy and consistency. To address these problems, herein we propose a
multi-task joint learning model named Ammonia-Net. This model employs a
convolutional neural network-based architecture, specifically designed for
multi-class segmentation and classification of tongue images. Ammonia-Net
performs semantic segmentation of tongue images to identify tongue and tooth
marks. With the assistance of segmentation output, it classifies the images
into the desired number of classes: healthy tongue, light tongue, moderate
tongue, and severe tongue. As far as we know, this is the first attempt to
apply the semantic segmentation results of tooth marks for tooth-marked tongue
classification. To train Ammonia-Net, we collect 856 tongue images from 856
subjects. After a number of extensive experiments, the experimental results
show that the proposed model achieves 99.06% accuracy in the two-class
classification task of tooth-marked tongue identification and 80.02%. As for
the segmentation task, mIoU for tongue and tooth marks amounts to 71.65%.
- Abstract（参考訳）: 伝統的な漢方医学では、長い歯の圧力から生じる舌の歯痕は、内臓の健康に本質的に関係しているqi欠損(yang)を評価する上で重要な指標となる。
歯印舌のマニュアル診断は経験にのみ依存する。
それでも、形状、色、種類の多様性は、診断精度と整合性に挑戦する。
そこで本研究では,アンモニアネットと呼ばれるマルチタスク共同学習モデルを提案する。
このモデルは畳み込みニューラルネットワークに基づくアーキテクチャを用いており、特に多クラスセグメンテーションと舌画像の分類のために設計されている。
アンモニアネットは舌画像のセマンティックセグメンテーションを行い、舌と歯跡を識別する。
セグメンテーション出力の助けを借りて、画像は、健全な舌、軽い舌、中程度の舌、厳しい舌という、望ましい数のクラスに分類される。
私たちが知る限りでは、歯のマークのセマンティックセグメンテーション結果を歯のマーク付き舌の分類に適用する最初の試みである。
アンモニアネットを訓練するために, 856名の被験者から856個の舌画像を収集した。
実験の結果, 提案手法は, 歯印付き舌識別の2つの分類課題において99.06%の精度を示し, 80.02%の精度を示した。
セグメンテーション作業に関しては、舌と歯跡のmIoUは71.65%である。
関連論文リスト
- Weakly Supervised Object Detection for Automatic Tooth-marked Tongue Recognition [19.34036038278796]
伝統中国医学(TCM)における舌の診断は、個人の健康状態を反映する重要な診断方法である。
歯印のある舌を識別する伝統的な方法は、実践者の経験に依存しているため主観的で矛盾する。
本稿では,視覚変換器と複数インスタンス学習WSVMを用いた全自動Weakly Supervised法を提案する。
論文 参考訳（メタデータ） (2024-08-29T11:31:28Z) - TongueSAM: An Universal Tongue Segmentation Model Based on SAM with
Zero-Shot [8.211898244288305]
舌分節はTCM舌の自動診断の第一段階である。
本稿では SAM (Segment Anything Model) に基づく舌分割モデル TongueSAM を提案する。
論文 参考訳（メタデータ） (2023-08-12T02:38:43Z) - Multitasking Models are Robust to Structural Failure: A Neural Model for
Bilingual Cognitive Reserve [78.3500985535601]
マルチタスク学習とニューロン障害に対する堅牢性との間には,驚くべき関連性がある。
実験の結果,バイリンガル言語モデルは様々なニューロン摂動下で高い性能を維持していることがわかった。
線形表現学習を数学的に解析することにより,このロバスト性を理論的に正当化する。
論文 参考訳（メタデータ） (2022-10-20T22:23:27Z) - Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets
and Morphological Processing [0.0]
画像内のオブジェクトが分離されたセグメンテーションマップを得るための後処理ステージを提案する。
提案したポストプロセッシング段階により, 歯数の平均誤差は6.15%, ポストプロセッシングのない誤差は26.81%に減少した。
論文 参考訳（メタデータ） (2022-03-31T21:11:51Z) - Interpretable and Interactive Deep Multiple Instance Learning for Dental
Caries Classification in Bitewing X-rays [6.98282810587309]
本稿では,深層複数インスタンス学習に基づくシンプルで効率的な画像分類アーキテクチャを提案する。
まず、画像レベルの弱いラベルで訓練されているにもかかわらず、局所的なパッチ分類確率のヒートマップを出力する。
既存の手法とは対照的に、人間のユーザは予測を忠実に解釈し、モデルと対話してどのリージョンに参加するかを決定することができる。
論文 参考訳（メタデータ） (2021-12-17T14:09:27Z) - Developing a Novel Approach for Periapical Dental Radiographs
Segmentation [1.332560004325655]
提案するアルゴリズムは2段階で構成され,第1段階は前処理である。
このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。
実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-11-13T17:25:35Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳（メタデータ） (2021-09-24T13:00:26Z) - CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
中国初のバイオメディカル言語理解評価ベンチマークを提示する。
名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。
本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
論文 参考訳（メタデータ） (2021-06-15T12:25:30Z) - AM2iCo: Evaluating Word Meaning in Context across Low-ResourceLanguages
with Adversarial Examples [51.048234591165155]
本稿では, AM2iCo, Adversarial and Multilingual Meaning in Contextを提案する。
言語間文脈における単語の意味の同一性を理解するために、最先端(SotA)表現モデルを忠実に評価することを目的としている。
その結果、現在のSotAプリトレーニングエンコーダは人間のパフォーマンスにかなり遅れていることが明らかとなった。
論文 参考訳（メタデータ） (2021-04-17T20:23:45Z) - Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text
Classification [52.69730591919885]
本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。
多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
論文 参考訳（メタデータ） (2020-07-29T19:38:35Z) - Unsupervised Cross-lingual Representation Learning for Speech
Recognition [63.85924123692923]
XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。
我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。
実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
論文 参考訳（メタデータ） (2020-06-24T18:25:05Z)
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。