Fugu-MT 論文翻訳(概要): YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images

論文の概要: YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images

arxiv url: http://arxiv.org/abs/2403.11249v1
Date: Sun, 17 Mar 2024 15:47:54 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 17:46:37.438538
Title: YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images
Title（参考訳）: 小児腰部外傷X線画像におけるYOLOv9による骨折検出
Authors: Chun-Tse Chien, Rui-Yang Ju, Kuang-Yi Chou, Jen-Shiun Chiang,
Abstract要約: 本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The introduction of YOLOv9, the latest version of the You Only Look Once (YOLO) series, has led to its widespread adoption across various scenarios. This paper is the first to apply the YOLOv9 algorithm model to the fracture detection task as computer-assisted diagnosis (CAD) to help radiologists and surgeons to interpret X-ray images. Specifically, this paper trained the model on the GRAZPEDWRI-DX dataset and extended the training set using data augmentation techniques to improve the model performance. Experimental results demonstrate that compared to the mAP 50-95 of the current state-of-the-art (SOTA) model, the YOLOv9 model increased the value from 42.16% to 43.73%, with an improvement of 3.7%. The implementation code is publicly available at https://github.com/RuiyangJu/YOLOv9-Fracture-Detection.
Abstract（参考訳）: You Only Look Once (YOLO)シリーズの最新バージョンであるYOLOv9の導入は、様々なシナリオで広く採用されている。本論文は,X線画像の解釈を支援するためのコンピュータ支援診断 (CAD) として, YOLOv9 アルゴリズムモデルを骨折検出タスクに適用した最初の例である。具体的には、GRAZPEDWRI-DXデータセット上でモデルをトレーニングし、データ拡張技術を用いてトレーニングセットを拡張し、モデル性能を向上させる。実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。実装コードはhttps://github.com/RuiyangJu/YOLOv9-Fracture-Detectionで公開されている。

関連論文リスト

Pediatric Wrist Fracture Detection Using Feature Context Excitation Modules in X-ray Images [0.0]
この作業では4種類のFeature Contexts Excitation-YOLOv8モデルを導入し、それぞれ異なるFCEモジュールを組み込んだ。 GRAZPEDWRI-DXデータセットの実験結果から,提案したYOLOv8+GC-M3モデルにより,mAP@50値が65.78%から66.32%に向上することが示された。提案した YOLOv8+SE-M3 モデルは,最大 mAP@50 値67.07% を実現し,SOTA 性能を上回った。
論文参考訳（メタデータ） (2024-10-01T19:45:01Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
YOLOv8-ResCBAM: YOLOv8 Based on An Effective Attention Module for Pediatric Wrist Fracture Detection [0.0]
本稿では,resblock(ResCBAM)と統合された畳み込みブロックアテンションモジュールを元となるYOLOv8ネットワークアーキテクチャに組み込んだYOLOv8-ResCBAMを提案する。 GRAZPEDWRI-DXデータセットを用いた実験結果から,提案モデルの平均平均精度が0.5(mAP 50)から63.6%から65.8%に増加した。
論文参考訳（メタデータ） (2024-09-27T15:19:51Z)
Pediatric Wrist Fracture Detection in X-rays via YOLOv10 Algorithm and Dual Label Assignment System [2.4554686192257424]
本研究は, 小児手首骨折の診断成績を評価するために, 様々なYOLOv10変異体を初めて評価したものである。モデル複雑性の変化、アーキテクチャのスケーリング、デュアルラベル割り当て戦略の実装によって検出性能が向上する方法について検討する。
論文参考訳（メタデータ） (2024-07-22T14:54:51Z)
Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection [0.0]
小児は日常的に手首を負傷することが多いが、骨折を負った放射線科医は手術前にX線画像を分析し解釈する必要がある。ディープラーニングの開発により、ニューラルネットワークモデルはコンピュータ支援診断(CAD)ツールとして機能するようになった。本稿では,GCブロックを用いたYOLOv8モデルの改良版であるYOLOv8モデルを提案する。
論文参考訳（メタデータ） (2024-07-03T14:36:07Z)
Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文参考訳（メタデータ） (2024-03-07T00:12:08Z)
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)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8 Algorithm [0.2797210504706914]
我々は,小児手首外傷X線データセット上でのYOLOv8アルゴリズムのモデル性能を向上させるためにデータ拡張を利用する。実験結果から,本モデルが平均精度(mAP 50)に到達したことが明らかとなった。小児手関節外傷X線画像の骨折検出に外科医が利用できるように, YOLOv8 App を用いたフラクチャー検出法を考案した。
論文参考訳（メタデータ） (2023-04-11T09:08:09Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)

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。