論文の概要: Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks

• arxiv url: http://arxiv.org/abs/2405.14986v1
• Date: Thu, 23 May 2024 18:39:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 19:27:21.990232
• Title: Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks
• Title（参考訳）: 分割・征服戦略と軽量畳み込みニューラルネットワークを用いた手指骨年齢推定
• Authors: Amin Ahmadi Kasani, Hedieh Sajedi,
• Abstract要約: 小児の骨年齢の推定は、成長障害や関連疾患を診断し、成熟後の最終身長を推定する上で非常に重要である。 骨年齢を推定する従来の方法は、時間を要する左手のアトラス画像とX線画像を比較して行う。 深層ニューラルネットワークモデルを用いて骨の年齢を推定するために,提案手法を用いて骨の精度と速度を改善するために多くの研究がなされている。
• 参考スコア（独自算出の注目度）: 5.371337604556311
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating the Bone Age of children is very important for diagnosing growth defects, and related diseases, and estimating the final height that children reach after maturity. For this reason, it is widely used in different countries. Traditional methods for estimating bone age are performed by comparing atlas images and radiographic images of the left hand, which is time-consuming and error-prone. To estimate bone age using deep neural network models, a lot of research has been done, our effort has been to improve the accuracy and speed of this process by using the introduced approach. After creating and analyzing our initial model, we focused on preprocessing and made the inputs smaller, and increased their quality. we selected small regions of hand radiographs and estimated the age of the bone only according to these regions. by doing this we improved bone age estimation accuracy even further than what was achieved in related works, without increasing the required computational resource. We reached a Mean Absolute Error (MAE) of 3.90 months in the range of 0-20 years and an MAE of 3.84 months in the range of 1-18 years on the RSNA test set.
• Abstract（参考訳）: 成長障害とその関連疾患の診断において, 子どもの骨年齢を推定することは, 成熟後の最終身長を推定する上で非常に重要である。 そのため、様々な国で広く使われている。 骨年齢を推定する従来の方法は、時間と誤差の少ない左手のアトラス画像とX線画像を比較して行う。 深層ニューラルネットワークモデルを用いて骨の年齢を推定するために,提案手法を用いて骨の精度と速度を改善するために多くの研究がなされている。 最初のモデルを作成して分析した後、私たちは前処理に集中し、インプットを小さくし、品質を向上しました。 手指のX線写真で 骨の年齢を推測しました これにより,骨の年齢推定精度は,必要な計算資源を増大させることなく,関連研究よりも向上した。 平均絶対誤差は0～20年で3.90カ月,MAEは1～18年で3.84カ月であった。

関連論文リスト

• Comparative Analysis of Machine Learning Approaches for Bone Age Assessment: A Comprehensive Study on Three Distinct Models [0.0]
  骨年齢予測の自動化に最も広く用いられている3つのモデルを解析した。 3つのモデル、Xception、VGG、CNNモデルは、正確性やその他の関連する要因についてテストされている。
  論文  参考訳（メタデータ） (2024-11-15T16:45:08Z)
• An Unsupervised Deep-Learning Method for Bone Age Assessment [4.227079957387361]
  骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。 本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。 北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
  論文  参考訳（メタデータ） (2022-06-12T02:31:36Z)
• Using machine learning on new feature sets extracted from 3D models of broken animal bones to classify fragments according to break agent [53.796331564067835]
  ホミニン骨破壊による骨片と肉食動物による骨片の識別を目的とした骨折パターン解析への新しいアプローチを提案する。 この方法では、断片的な骨の3Dモデルを用いて、これまで骨折パターン解析に使用されていた特徴セットよりも透明性が高くレプリカ性の高いデータセットを抽出する。 監視された機械学習アルゴリズムは、骨断片を破片のエージェントに従って適切に分類するために使用され、平均的精度はテスト全体で77%である。
  論文  参考訳（メタデータ） (2022-05-20T20:16:21Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Ridge Regression Neural Network for Pediatric Bone Age Assessment [1.1501261942096426]
  骨年齢の遅れや増加は小児科医にとって深刻な懸念である。 骨年齢評価のための統合型深層学習フレームワークを事例分割と隆起回帰を用いて導入する。
  論文  参考訳（メタデータ） (2021-04-15T21:38:22Z)
• Chronological age estimation of lateral cephalometric radiographs with deep learning [0.0]
  提案手法は, 側頭頂部X線像の経時的年代推定法により, 時間的年代推定に有効である。 4歳から40歳までのLC画像3014枚について検討した。 実験結果のMEAは1.250であり、最先端のベンチマークの結果より小さい。
  論文  参考訳（メタデータ） (2021-01-28T03:43:24Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。