Fugu-MT 論文翻訳(概要): Precise localization within the GI tract by combining classification of CNNs and time-series analysis of HMMs

論文の概要: Precise localization within the GI tract by combining classification of CNNs and time-series analysis of HMMs

arxiv url: http://arxiv.org/abs/2310.07895v1
Date: Wed, 11 Oct 2023 21:07:04 GMT
ステータス: 処理完了
システム内更新日: 2023-10-14 13:44:33.346855
Title: Precise localization within the GI tract by combining classification of CNNs and time-series analysis of HMMs
Title（参考訳）: CNNの分類とHMMの時系列解析を組み合わせたGI領域内精密局在化
Authors: Julia Werner, Christoph Gerum, Moritz Reiber, J\"org Nick, and Oliver Bringmann
Abstract要約: 本稿では,ビデオカプセル内視鏡(VCE)研究から得られた画像の胃腸領域を効率的に分類する方法を提案する。連続した時系列解析により,CNN出力の誤りを特定し,訂正することを示した。
参考スコア（独自算出の注目度）: 0.5326090003728084
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a method to efficiently classify the gastroenterologic section of images derived from Video Capsule Endoscopy (VCE) studies by exploring the combination of a Convolutional Neural Network (CNN) for classification with the time-series analysis properties of a Hidden Markov Model (HMM). It is demonstrated that successive time-series analysis identifies and corrects errors in the CNN output. Our approach achieves an accuracy of $98.04\%$ on the Rhode Island (RI) Gastroenterology dataset. This allows for precise localization within the gastrointestinal (GI) tract while requiring only approximately 1M parameters and thus, provides a method suitable for low power devices
Abstract（参考訳）: 本稿では,隠れマルコフモデル(HMM)の時系列解析特性と分類するための畳み込みニューラルネットワーク(CNN)の組み合わせを探索することにより,ビデオカプセル内視鏡(VCE)研究から得られた画像の胃腸領域を効率的に分類する方法を提案する。時系列分析により,cnn出力の誤りを識別し,修正できることが実証された。我々のアプローチは、ロードアイランド(ri)の胃腸疾患データセットで98.04.%の正確性を達成している。これにより、約1Mのパラメータしか必要とせず、消化管(GI)内の正確な位置決めが可能となり、低消費電力デバイスに適した方法が提供される。

関連論文リスト

Classification of Endoscopy and Video Capsule Images using CNN-Transformer Model [1.0994755279455526]
本研究では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)の利点を組み合わせて分類性能を向上させるハイブリッドモデルを提案する。 GastroVisionデータセットでは,精度,リコール,F1スコア,精度,マシューズ相関係数(MCC)が0.8320,0.8386,0.8324,0.8386,0.8191であった。
論文参考訳（メタデータ） (2024-08-20T11:05:32Z)
Time CNN and Graph Convolution Network for Epileptic Spike Detection in MEG Data [1.9420255676093532]
本稿では1次元時間畳み込みニューラルネットワーク (Time CNN) とグラフ畳み込みニューラルネットワーク (GCN) を結合して, MEG 記録の短時間フレームをスパイクを含むか否かの分類を行う。我々のモデルは臨床的に関連のある結果を生成し、Deep Learning-based State-of-the-art法では、バランスの取れたデータセットで76.7%、現実的で高度にバランスの取れないデータセットで25.5%の分類に到達した。
論文参考訳（メタデータ） (2023-10-13T16:40:29Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Siamese Network Features for Endoscopy Image and Video Localization [0.0]
位置決めフレームは、異常な位置に関する貴重な情報を提供する。本研究では,メタラーニングと深層学習を組み合わせることで,内視鏡画像とビデオの両方をローカライズする。
論文参考訳（メタデータ） (2021-03-15T16:24:30Z)
Neural Network-derived perfusion maps: a Model-free approach to computed tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。 cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文参考訳（メタデータ） (2021-01-15T07:11:02Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。