Fugu-MT 論文翻訳(概要): Distribution-based Low-rank Embedding

論文の概要: Distribution-based Low-rank Embedding

arxiv url: http://arxiv.org/abs/2312.17579v1
Date: Fri, 29 Dec 2023 12:29:45 GMT
ステータス: 処理完了
システム内更新日: 2024-01-02 10:18:13.872214
Title: Distribution-based Low-rank Embedding
Title（参考訳）: 分布型低ランク埋め込み
Authors: Bardia Yousefi
Abstract要約: 固有ベクトル(JSE)とワイブル埋め込み(Weibull Embedding)に対するJames-Steinを提案する。主な目的は、熱データストリームの低次元(LD)表現を作ることである。提案手法は,主基底ベクトルの投影精度が81.7%に向上したことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The early detection of breast abnormalities is a matter of critical significance. Notably, infrared thermography has emerged as a valuable tool in breast cancer screening and clinical breast examination (CBE). Measuring heterogeneous thermal patterns is the key to incorporating computational dynamic thermography, which can be achieved by matrix factorization techniques. These approaches focus on extracting the predominant thermal patterns from the entire thermal sequence. Yet, the task of singling out the dominant image that effectively represents the prevailing temporal changes remains a challenging pursuit within the field of computational thermography. In this context, we propose applying James-Stein for eigenvector (JSE) and Weibull embedding approaches, as two novel strategies in response to this challenge. The primary objective is to create a low-dimensional (LD) representation of the thermal data stream. This LD approximation serves as the foundation for extracting thermomics and training a classification model with optimized hyperparameters, for early breast cancer detection. Furthermore, we conduct a comparative analysis of various embedding adjuncts to matrix factorization methods. The results of the proposed method indicate an enhancement in the projection of the predominant basis vector, yielding classification accuracy of 81.7% (+/-5.2%) using Weibull embedding, which outperformed other embedding approaches we proposed previously. In comparison analysis, Sparse PCT and Deep SemiNMF showed the highest accuracies having 80.9% and 78.6%, respectively. These findings suggest that JSE and Weibull embedding techniques substantially help preserve crucial thermal patterns as a biomarker leading to improved CBE and enabling the very early detection of breast cancer.
Abstract（参考訳）: 乳房異常の早期発見は重要な課題である。特に,赤外線サーモグラフィーは乳癌検診や臨床検診(CBE)に有用である。不均質な熱パターンを測定することは、行列分解法によって達成される計算力学サーモグラフィを組み込む鍵である。これらのアプローチは、熱系列全体から主要な熱パターンを抽出することに焦点を当てている。しかし, 時間的変化を効果的に表現する支配的イメージを歌唱する作業は, 計算サーモグラフィの分野において難解な課題である。本稿では,この課題に対する2つの新しい戦略として,固有ベクトル (jse) とワイブル埋め込みアプローチに対するjames-steinの適用を提案する。主な目的は、熱データストリームの低次元(LD)表現を作ることである。このLD近似は、早期乳癌検出のための熱力学を抽出し、最適化されたハイパーパラメーターで分類モデルを訓練する基盤となる。さらに, 種々の埋め込み結合と行列分解法の比較解析を行う。提案手法は,Weibull 埋め込みを用いた分類精度が81.7% (+/-5.2%) であり,従来提案した他の埋め込み手法よりも優れていることを示す。比較分析では、Sparse PCTとDeep SemiNMFは、それぞれ80.9%と78.6%が最も高い精度を示した。これらの結果から,jseとweibullの埋込み技術は,cbeの改善につながるバイオマーカーとして重要な熱パターンを保存し,乳癌の早期発見を可能にすることが示唆された。

関連論文リスト

Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Your blush gives you away: detecting hidden mental states with remote photoplethysmography and thermal imaging [5.604613879541013]
本研究では,rモードと熱画像を統合し,予測性能を向上させることでギャップを埋めることを目的とする。 rのみを用いて, 認知的ストレスは77%, 道徳的高揚は61%であった。これらのモダリティの早期融合戦略は精度を著しく改善し、認知的ストレス87%、道徳的上昇83%をRFを用いて達成した。
論文参考訳（メタデータ） (2024-01-17T11:38:21Z)
Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。悪性の腫瘤を正確に識別することは依然として困難ですマンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2023-10-30T10:22:14Z)
Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
論文参考訳（メタデータ） (2023-06-29T16:24:32Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
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)
Embedded Deep Regularized Block HSIC Thermomics for Early Diagnosis of Breast Cancer [0.0]
マトリックス因子化(MF)技術は、がん患者の血管拡張に対応する熱パターンを検出することができる。このような技術の最大の課題の1つは、熱基底の最良の表現を選択することである。熱画像検査のためのDeep-semi-non negative matrix factorization (Deep-SemiNMF)を導入し, 乳癌検診208例を対象に検討した。
論文参考訳（メタデータ） (2021-06-03T19:54:31Z)
Saliency-Guided Deep Learning Network for Automatic Tumor Bed Volume Delineation in Post-operative Breast Irradiation [0.0]
CT画像では,腫瘍床体積(TBV)と正常乳腺組織との対比が比較的低いため,術後乳房ターゲットの脱線は困難である。術後乳房照射における正確なTBV分割のためのSDL(Saliency-based Deep Learning segmentation)アルゴリズムを開発した。本モデルでは, DSC, HD95, ASD に対して 76.4 %, 6.76 mm, 1.9 mm の平均偏差 (標準偏差) を, 1 CT 体積あたり 11 秒以下で測定した。
論文参考訳（メタデータ） (2021-05-06T15:57:23Z)
Low-rank Convex/Sparse Thermal Matrix Approximation for Infrared-based Diagnostic System [0.0]
本研究では, サーモグラフィにおける低ランク行列近似法について, 半, 凸, スパース非負行列分解法(NMF)を用いて比較検討を行った。その結果、これらの手法は主成分サーモグラフィ(PCT)とスパースPCTの利点を継承する一方で、スパースPCTの負の基底に非負の制約で取り組み、処理データにクラスタリング特性を示すことがわかった。
論文参考訳（メタデータ） (2020-10-14T02:53:19Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。