論文の概要: Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches
- arxiv url: http://arxiv.org/abs/2405.11295v1
- Date: Sat, 18 May 2024 13:43:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 18:28:33.475279
- Title: Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches
- Title（参考訳）: 人工知能を用いた疾患の検出・治療・計画のための医用画像解析
- Authors: Nand Lal Yadav, Satyendra Singh, Rajesh Kumar, Sudhakar Singh,
- Abstract要約: 人工知能技術を用いたX線画像のセグメンテーションのためのフレームワークについて論じる。
提案手法は16のバッチサイズと50のエポックを持つよく知られたパラメータに関して,より優れた性能を発揮する。
SegNetとResidual Unetの検証精度、精度、リコールの値は、それぞれ0.9815、0.9699、0.9574、0.9901、0.9864、0.9750である。
- 参考スコア（独自算出の注目度）: 1.6505331001136514
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray is one of the prevalent image modalities for the detection and diagnosis of the human body. X-ray provides an actual anatomical structure of an organ present with disease or absence of disease. Segmentation of disease in chest X-ray images is essential for the diagnosis and treatment. In this paper, a framework for the segmentation of X-ray images using artificial intelligence techniques has been discussed. Here data has been pre-processed and cleaned followed by segmentation using SegNet and Residual Net approaches to X-ray images. Finally, segmentation has been evaluated using well known metrics like Loss, Dice Coefficient, Jaccard Coefficient, Precision, Recall, Binary Accuracy, and Validation Accuracy. The experimental results reveal that the proposed approach performs better in all respect of well-known parameters with 16 batch size and 50 epochs. The value of validation accuracy, precision, and recall of SegNet and Residual Unet models are 0.9815, 0.9699, 0.9574, and 0.9901, 0.9864, 0.9750 respectively.
- Abstract（参考訳）: X線(X-ray)は、人体の検出と診断のための画像モダリティの1つである。
X線は、疾患または疾患の欠如がある臓器の実際の解剖学的構造を提供する。
胸部X線像における疾患の分離は診断と治療に不可欠である。
本稿では,人工知能を用いたX線画像のセグメンテーションのためのフレームワークについて論じる。
ここでは、X線画像に対するSegNetとResidual Netアプローチを使用して、データを前処理し、クリーン化し、セグメンテーションする。
最後に、セグメンテーションはLoss、Dice Coefficient、Jaccard Coefficient、Precision、Recall、Binary Accuracy、Validation Accuracyといったよく知られたメトリクスを使って評価されている。
実験の結果,提案手法は16個のバッチサイズと50個のエポックを持つよく知られたパラメータに対して,より優れた性能を示すことがわかった。
SegNetとResidual Unetの検証精度、精度、リコールの値は、それぞれ0.9815、0.9699、0.9574、0.9901、0.9864、0.9750である。
関連論文リスト
- AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。
提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文 参考訳（メタデータ） (2024-10-20T16:08:20Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。
ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文 参考訳（メタデータ） (2022-05-25T12:01:03Z) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳（メタデータ） (2022-02-08T00:43:57Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - DICOM Imaging Router: An Open Deep Learning Framework for Classification
of Body Parts from DICOM X-ray Scans [0.618778092044887]
未知のDICOMX線画像を5つの解剖学的グループに分類するために,深部CNNをデプロイするDICOMイメージングルータを提案する。
11,263画像のトレーニングセットを用いて最先端の深部CNNのセットを訓練し,身体部位の分類において優れた性能を示した。
論文 参考訳（メタデータ） (2021-08-14T08:31:43Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - 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) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - End-to-End Deep Diagnosis of X-ray Images [1.7779154193694813]
X線画像診断のためのエンドツーエンドのディープラーニングフレームワークを提案する。
最初のステップとして,提案した画像がX線か否かを判定する。
X線の種類を分類した後、専用の異常分類ネットワークを運用する。
論文 参考訳（メタデータ） (2020-03-19T07:20:48Z)
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。