Fugu-MT 論文翻訳(概要): Multi-Task Learning for Lung sound & Lung disease classification

論文の概要: Multi-Task Learning for Lung sound & Lung disease classification

arxiv url: http://arxiv.org/abs/2404.03908v1
Date: Fri, 5 Apr 2024 06:15:58 GMT
ステータス: 処理完了
システム内更新日: 2024-04-08 16:44:14.983536
Title: Multi-Task Learning for Lung sound & Lung disease classification
Title（参考訳）: 肺音・肺疾患分類のためのマルチタスク学習
Authors: Suma K V, Deepali Koppad, Preethi Kumar, Neha A Kantikar, Surabhi Ramesh,
Abstract要約: 肺音と肺疾患の同時分類にマルチタスク学習(MTL)を用いる新しい手法を提案する。提案モデルでは,2次元CNN,ResNet50,MobileNet,Densenetの4種類の深層学習モデルを用いて,肺の音響記録から関連する特徴を抽出する。 MTL for MobileNetモデルは, 肺の音響解析では74%, 肺疾患分類では91%の精度で, 他のモデルよりも良好な性能を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: In recent years, advancements in deep learning techniques have considerably enhanced the efficiency and accuracy of medical diagnostics. In this work, a novel approach using multi-task learning (MTL) for the simultaneous classification of lung sounds and lung diseases is proposed. Our proposed model leverages MTL with four different deep learning models such as 2D CNN, ResNet50, MobileNet and Densenet to extract relevant features from the lung sound recordings. The ICBHI 2017 Respiratory Sound Database was employed in the current study. The MTL for MobileNet model performed better than the other models considered, with an accuracy of74\% for lung sound analysis and 91\% for lung diseases classification. Results of the experimentation demonstrate the efficacy of our approach in classifying both lung sounds and lung diseases concurrently. In this study,using the demographic data of the patients from the database, risk level computation for Chronic Obstructive Pulmonary Disease is also carried out. For this computation, three machine learning algorithms namely Logistic Regression, SVM and Random Forest classifierswere employed. Among these ML algorithms, the Random Forest classifier had the highest accuracy of 92\%.This work helps in considerably reducing the physician's burden of not just diagnosing the pathology but also effectively communicating to the patient about the possible causes or outcomes.
Abstract（参考訳）: 近年, 深層学習技術の進歩により, 医療診断の効率と精度が著しく向上している。本研究では,肺音と肺疾患の同時分類にマルチタスク学習(MTL)を用いた新しいアプローチを提案する。提案モデルでは2D CNN, ResNet50, MobileNet, Densenetの4種類の深層学習モデルを用いて, 肺の音響記録から関連する特徴を抽出する。 ICBHI 2017 Respiratory Sound Databaseが現在の研究に採用された。 MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL、 MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTL, MTLの3。実験の結果,肺音と肺疾患の同時分類におけるアプローチの有効性が示された。本研究は,慢性閉塞性肺疾患患者の人口統計データを用いて,慢性閉塞性肺疾患のリスクレベル計算を行った。この計算には、ロジスティック回帰(Logistic Regression)、SVM、ランダムフォレスト(Random Forest)という3つの機械学習アルゴリズムが使われている。これらのMLアルゴリズムのうち、ランダムフォレスト分類器の精度は92\%であった。この研究は、病理診断だけでなく、起こりうる原因や結果について患者に効果的に伝えるという医師の負担を大幅に軽減するのに役立つ。

関連論文リスト

Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
Deep Learning for Lung Disease Classification Using Transfer Learning and a Customized CNN Architecture with Attention [17.079190595821494]
本研究は、健康な肺を描写するX線、肺不透明度を示すX線、ウイルス性肺炎を示すX線を分類することに集中する。トレーニング済みの5つのモデルをLung X-ray Imageデータセットでテストする予定である。 MobileNetV2をベースとしたMobileNet-Lungは肺疾患分類に取り組み,0.933の精度を実現した。
論文参考訳（メタデータ） (2024-08-23T16:00:10Z)
Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
論文参考訳（メタデータ） (2023-09-05T21:36:42Z)
Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文参考訳（メタデータ） (2022-04-22T17:27:00Z)
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)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。この影響は、肺葉を分節する機械学習手法の改善を動機づけた。このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文参考訳（メタデータ） (2021-05-11T17:10:25Z)
Crackle Detection In Lung Sounds Using Transfer Learning And Multi-Input Convolitional Neural Networks [26.399917342840265]
肺音のクラックル検出における記録設定のミスマッチに対処するために,転送学習を用いる。単一の入力畳み込みニューラルネットワーク(CNN)モデルは、肺音の最大の公開データベースであるIBHI 2017を使用して、ソースドメインで事前に訓練されます。マルチインプットモデルは, クラックや正常な肺音を分類するために, 自己収集肺音データベースのターゲット領域に微調整される。
論文参考訳（メタデータ） (2021-04-30T11:32:42Z)
ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification [0.0]
CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
論文参考訳（メタデータ） (2020-10-29T08:42:11Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。