論文の概要: Detection of keratoconus Diseases using deep Learning
- arxiv url: http://arxiv.org/abs/2311.01996v1
- Date: Fri, 3 Nov 2023 15:49:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 13:48:12.844995
- Title: Detection of keratoconus Diseases using deep Learning
- Title(参考訳): 深層学習による角膜疾患の検出
- Authors: AKM Enzam-Ul Haque, Golam Rabbany, Md. Siam
- Abstract要約: 最も重篤な角膜疾患の1つとして、角膜は早期に診断が困難であり、失明を引き起こすことがある。
ディープラーニングのアプローチの1つであるCNNは、角膜を正確にタイムリーに診断するための、特に有望なツールとして最近光を当てている。
本研究は,異なるD-CNNモデルを用いて角膜関連疾患の同定を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the most serious corneal disorders, keratoconus is difficult to
diagnose in its early stages and can result in blindness. This illness, which
often appears in the second decade of life, affects people of all sexes and
races. Convolutional neural networks (CNNs), one of the deep learning
approaches, have recently come to light as particularly promising tools for the
accurate and timely diagnosis of keratoconus. The purpose of this study was to
evaluate how well different D-CNN models identified keratoconus-related
diseases. To be more precise, we compared five different CNN-based deep
learning architectures (DenseNet201, InceptionV3, MobileNetV2, VGG19,
Xception). In our comprehensive experimental analysis, the DenseNet201-based
model performed very well in keratoconus disease identification in our
extensive experimental research. This model outperformed its D-CNN equivalents,
with an astounding accuracy rate of 89.14% in three crucial classes:
Keratoconus, Normal, and Suspect. The results demonstrate not only the
stability and robustness of the model but also its practical usefulness in
real-world applications for accurate and dependable keratoconus identification.
In addition, D-CNN DenseNet201 performs extraordinarily well in terms of
precision, recall rates, and F1 scores in addition to accuracy. These measures
validate the model's usefulness as an effective diagnostic tool by highlighting
its capacity to reliably detect instances of keratoconus and to reduce false
positives and negatives.
- Abstract(参考訳): 最も重篤な角膜疾患の1つであるケラトコヌスは、早期診断が困難であり、盲目になる可能性がある。
この病気は、人生の2年目によく現れ、あらゆる性別や人種の人々に影響を与えます。
ディープラーニングのアプローチのひとつである畳み込みニューラルネットワーク(convolutional neural networks, cnns)は、最近、ケラトコヌスの正確かつタイムリーな診断のための有望なツールとして注目されるようになった。
本研究の目的は、異なるD-CNNモデルが角膜関連疾患をどのように同定するかを評価することである。
より正確には、CNNベースの5つの異なるディープラーニングアーキテクチャ(DenseNet201、InceptionV3、MobileNetV2、VGG19、Xception)を比較した。
包括的実験解析では,drknet201を用いたモデルがケラトコヌス病の同定に非常に有効であった。
このモデルは、Keratoconus、Normal、Suspectの3つの重要なクラスで89.14%の精度で、D-CNNの同等性能を上回った。
その結果, モデルの安定性と頑健性だけでなく, 実世界のケラトコヌス同定における実用的有用性が示された。
さらに、D-CNN DenseNet201は精度に加えて、精度、リコールレート、F1スコアの点で極めてよく動作する。
これらの測定は、ケラトコヌスのインスタンスを確実に検出し、偽陽性と陰性を減らす能力を強調し、効果的な診断ツールとしてのモデルの有用性を評価する。
関連論文リスト
- DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳(メタデータ) (2022-01-04T03:09:40Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳(メタデータ) (2021-08-14T08:14:52Z) - 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) - Efficient and Visualizable Convolutional Neural Networks for COVID-19
Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。
ディープラーニングは有望な診断技術として登場した。
本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文 参考訳(メタデータ) (2020-12-22T07:09:48Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z)
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。