論文の概要: Revolutionizing Healthcare Image Analysis in Pandemic-Based Fog-Cloud
Computing Architectures
- arxiv url: http://arxiv.org/abs/2311.01185v1
- Date: Thu, 2 Nov 2023 12:32:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 13:49:46.409336
- Title: Revolutionizing Healthcare Image Analysis in Pandemic-Based Fog-Cloud
Computing Architectures
- Title（参考訳）: パンデミックベースのフォグクラウドコンピューティングアーキテクチャにおける医療イメージ分析の革新
- Authors: Al Zahraa Elsayed, Khalil Mohamed, Hany Harb
- Abstract要約: 本稿では,人工知能(AI)の能力を活用した分析効率と精度の課題に取り組む,革新的な医療アーキテクチャを提案する。
具体的には、フォグコンピューティングを活用し、画像解析用に設計された改良畳み込みニューラルネットワーク(CNN)を提案する。
提案手法では,正常症例の分類では99.88%の例外的精度,96.5%の検証率,100%の精度とリコール率,100%のF1スコアが得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The emergence of pandemics has significantly emphasized the need for
effective solutions in healthcare data analysis. One particular challenge in
this domain is the manual examination of medical images, such as X-rays and CT
scans. This process is time-consuming and involves the logistical complexities
of transferring these images to centralized cloud computing servers.
Additionally, the speed and accuracy of image analysis are vital for efficient
healthcare image management. This research paper introduces an innovative
healthcare architecture that tackles the challenges of analysis efficiency and
accuracy by harnessing the capabilities of Artificial Intelligence (AI).
Specifically, the proposed architecture utilizes fog computing and presents a
modified Convolutional Neural Network (CNN) designed specifically for image
analysis. Different architectures of CNN layers are thoroughly explored and
evaluated to optimize overall performance. To demonstrate the effectiveness of
the proposed approach, a dataset of X-ray images is utilized for analysis and
evaluation. Comparative assessments are conducted against recent models such as
VGG16, VGG19, MobileNet, and related research papers. Notably, the proposed
approach achieves an exceptional accuracy rate of 99.88% in classifying normal
cases, accompanied by a validation rate of 96.5%, precision and recall rates of
100%, and an F1 score of 100%. These results highlight the immense potential of
fog computing and modified CNNs in revolutionizing healthcare image analysis
and diagnosis, not only during pandemics but also in the future. By leveraging
these technologies, healthcare professionals can enhance the efficiency and
accuracy of medical image analysis, leading to improved patient care and
outcomes.
- Abstract（参考訳）: パンデミックの発生は、医療データ分析における効果的なソリューションの必要性を著しく強調している。
この領域で特に課題となるのは、X線やCTスキャンなどの医療画像の手動検査である。
このプロセスは時間のかかる作業であり、集中型クラウドコンピューティングサーバにイメージを転送する複雑な作業を伴う。
さらに、画像解析のスピードと精度は、効率的な医療画像管理に不可欠である。
本稿では,人工知能(AI)の能力を活用することによって,分析効率と精度の課題に取り組む,革新的な医療アーキテクチャを提案する。
具体的には、フォグコンピューティングを利用して画像解析用に設計された修正畳み込みニューラルネットワーク(cnn)を提案する。
CNN層の異なるアーキテクチャを徹底的に検討し、全体的なパフォーマンスを最適化するために評価する。
提案手法の有効性を示すために,X線画像のデータセットを用いて分析と評価を行う。
vgg16、vgg19、mobilenet、および関連する研究論文などの最近のモデルとの比較評価を行う。
提案手法は,正常症例の分類において,96.5%の検証率,100%の精度とリコール率,100%のF1スコアを伴って,99.88%の例外的精度を達成している。
これらの結果は、パンデミック中だけでなく、将来においても、医療画像分析と診断に革命をもたらすフォグコンピューティングと修正cnnの膨大な可能性を浮き彫りにしている。
これらの技術を活用することで、医療専門家は医療画像分析の効率と正確性を高め、患者のケアと成果を改善することができる。
関連論文リスト
- MAPUNetR: A Hybrid Vision Transformer and U-Net Architecture for Efficient and Interpretable Medical Image Segmentation [0.0]
本稿では,医用画像セグメンテーションのためのU-Netフレームワークを用いて,トランスフォーマーモデルの強度を相乗化する新しいアーキテクチャMAPUNetRを紹介する。
本モデルでは,分解能保存課題に対処し,セグメンテーションされた領域に着目したアテンションマップを導入し,精度と解釈可能性を高める。
臨床実習における医用画像セグメンテーションの強力なツールとして,本モデルが安定した性能と可能性を維持していることを示す。
論文 参考訳（メタデータ） (2024-10-29T16:52:57Z) - Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
医用イメージングに適した説明可能なAI手法を開発した。
我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。
このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
論文 参考訳（メタデータ） (2024-09-20T15:43:26Z) - Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Comparative Analysis of Deep Convolutional Neural Networks for Detecting Medical Image Deepfakes [0.0]
本稿では,13種類の最新のDeep Convolutional Neural Network(DCNN)モデルについて総合評価を行った。
ResNet50V2は精度と特異性に優れており、DenseNet169はその正確さ、リコール、F1スコアで区別されている。
また,DenseNetモデルとEfficientNetモデルの両方において,検討対象のDCNN間の遅延空間分離性の評価を行った。
論文 参考訳（メタデータ） (2024-01-08T16:37:22Z) - Advancing Brain Tumor Detection: A Thorough Investigation of CNNs,
Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。
本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。
このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
論文 参考訳（メタデータ） (2023-10-26T18:27:20Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳（メタデータ） (2023-01-04T16:05:51Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - 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) - 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) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。