論文の概要: Medical Image Classification Using Transfer Learning and Chaos Game
Optimization on the Internet of Medical Things
- arxiv url: http://arxiv.org/abs/2312.07437v1
- Date: Tue, 12 Dec 2023 17:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 15:01:27.995073
- Title: Medical Image Classification Using Transfer Learning and Chaos Game
Optimization on the Internet of Medical Things
- Title（参考訳）: 医療物のインターネット上での移動学習とカオスゲーム最適化を用いた医用画像分類
- Authors: Alhassan Mabrouk and Abdelghani Dahou and Mohamed Abd Elaziz and
Rebeca P. D\'iaz Redondo and Mohammed Kayed
- Abstract要約: 本稿では,医療画像分類のためのIoMTの提案について紹介する。
まず,MobileNetV3を用いて,特徴抽出にTransfer Learning (TL) を用いた手法を用いて2段階の設計を行った。
次に,Chaos Game Optimization (CGO) を特徴選択に使用し,不要な特徴を排除し,性能を向上させることを目的とする。
- 参考スコア（独自算出の注目度）: 7.232767871756102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Internet of Medical Things (IoMT) has dramatically benefited medical
professionals that patients and physicians can access from all regions.
Although the automatic detection and prediction of diseases such as melanoma
and leukemia is still being researched and studied in IoMT, existing approaches
are not able to achieve a high degree of efficiency. Thus, with a new approach
that provides better results, patients would access the adequate treatments
earlier and the death rate would be reduced. Therefore, this paper introduces
an IoMT proposal for medical images classification that may be used anywhere,
i.e. it is an ubiquitous approach. It was design in two stages: first, we
employ a Transfer Learning (TL)-based method for feature extraction, which is
carried out using MobileNetV3; second, we use the Chaos Game Optimization (CGO)
for feature selection, with the aim of excluding unnecessary features and
improving the performance, which is key in IoMT. Our methodology was evaluated
using ISIC-2016, PH2, and Blood-Cell datasets. The experimental results
indicated that the proposed approach obtained an accuracy of 88.39% on
ISIC-2016, 97.52% on PH2, and 88.79% on Blood-cell. Moreover, our approach had
successful performances for the metrics employed compared to other existing
methods.
- Abstract（参考訳）: internet of medical things(iomt)は、患者や医師があらゆる地域からアクセスできる医療専門家に、劇的に利益をもたらしている。
悪性黒色腫や白血病などの疾患の自動検出と予測はいまだにiomtで研究され研究されているが、既存の手法は高い効率を達成することができない。
したがって、より良い結果をもたらす新しいアプローチによって、患者は適切な治療に早くアクセスでき、死亡率が低下する。
そこで本稿では,医療画像分類のための医用画像分類のためのIoMTの提案を紹介する。
まず,MobileNetV3 を用いた特徴抽出にTransfer Learning (TL) を用いた手法を用いて,不必要な特徴を排除し,IoMT の鍵となる性能向上を目的として,特徴選択に Chaos Game Optimization (CGO) を用いる。
本手法はisic-2016, ph2, blood-cell datasetを用いて評価した。
実験の結果,ISIC-2016では88.39%,PH2では97.52%,血液細胞では88.79%であった。
さらに,本手法は既存の手法と比較して,測定値の性能が向上した。
関連論文リスト
- Unsupervised Training of Neural Cellular Automata on Edge Devices [2.5462695047893025]
携帯電話上でのセルラーオートマタトレーニングを, アクセス可能なX線肺セグメンテーションのために直接実施する。
5つのAndroidデバイスにこれらの高度なモデルをデプロイし、トレーニングする実用性と実現可能性を確認します。
デジタルコピーが入手できず、X線ライトボックスやモニターから画像を撮影しなければならない極端な場合、VWSLはDiceの精度を5-20%向上させる。
論文 参考訳（メタデータ） (2024-07-25T15:21:54Z) - Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。
我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。
医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文 参考訳（メタデータ） (2024-06-03T03:16:25Z) - Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer
Learning Method [0.0]
本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。
ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。
提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
論文 参考訳（メタデータ） (2023-12-01T10:37:02Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳（メタデータ） (2022-07-01T14:17:11Z) - MAg: a simple learning-based patient-level aggregation method for
detecting microsatellite instability from whole-slide images [3.0134189693277]
消化器癌におけるマイクロサテライト不安定性(MSI)とマイクロサテライト安定性(MSS)の予測は治療効果と予後の予測に不可欠である。
深層学習に基づくアルゴリズムは、ハエマトキシリンとエオシン(H&E)による全スライディング画像(WSI)から直接MSIを予測するために提案されている。
そこで本稿では,パッチレベルの情報を効果的に統合するための,シンプルながら広く一般化可能な患者レベルMSIアグリゲーション(MAg)手法を提案する。
論文 参考訳（メタデータ） (2022-01-13T02:53:55Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳（メタデータ） (2021-11-01T15:31:32Z) - 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) - Semi-supervised Optimal Transport with Self-paced Ensemble for
Cross-hospital Sepsis Early Detection [12.704730765459257]
最先端の手法は、教師あり学習のために大量のラベル付き医療データを必要とする。
ラベル付きデータの欠如は、ある病院が新しいセプシス検出システムをデプロイしたい場合、大きな障害を引き起こす。
本稿では,Sepsis早期検出のための自己組織化アンサンブルフレームワークを用いた半教師付き最適トランスポートを提案する。
論文 参考訳（メタデータ） (2021-06-18T20:54:18Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation [20.642769236234848]
心臓MRIビデオの運動推定は、ヒトの心臓解剖学と機能の評価に不可欠である。
近年の研究では、ディープラーニングベースの手法による有望な結果が示されているが、トレーニングとテストデータセットのミスマッチによる劇的なパフォーマンス低下に悩まされている。
本稿では,メタラーナーによって最適化されたオンライン勾配勾配勾配に基づく,新しい高速オンライン適応学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-10T01:51:27Z)
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。