Fugu-MT 論文翻訳(概要): MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models

論文の概要: MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models

arxiv url: http://arxiv.org/abs/2405.21016v1
Date: Fri, 31 May 2024 17:05:59 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 13:29:24.352103
Title: MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models
Title（参考訳）: MpoxSLDNet: サルポックス病変検出のための新しいCNNモデルと事前訓練モデルとの比較
Authors: Fatema Jannat Dihan, Saydul Akbar Murad, Abu Jafar Md Muzahid, K. M. Aslam Uddin, Mohammed J. F. Alenazi, Anupam Kumar Bairagi, Sujit Biswas,
Abstract要約: 本研究は,サルポックス病変の早期発見と分類を容易にするため,MpoxSLDNet(Monkeypox Skin Lesion Detector Network)を提案する。 MpoxSLDNetは、VGG16、ResNet50、DenseNet121といった従来のトレーニング済みモデルと比較して、精度、リコール、F1スコア、精度、AUCなどの優れたパフォーマンス指標を提供する。検証精度は86.25%、84.38%、VGG16、DenseNet121、ResNet50の67.19%に対して94.56%に達した。
参考スコア（独自算出の注目度）: 0.7628351525795085
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Monkeypox virus (MPXV) is a zoonotic virus that poses a significant threat to public health, particularly in remote parts of Central and West Africa. Early detection of monkeypox lesions is crucial for effective treatment. However, due to its similarity with other skin diseases, monkeypox lesion detection is a challenging task. To detect monkeypox, many researchers used various deep-learning models such as MobileNetv2, VGG16, ResNet50, InceptionV3, DenseNet121, EfficientNetB3, MobileNetV2, and Xception. However, these models often require high storage space due to their large size. This study aims to improve the existing challenges by introducing a CNN model named MpoxSLDNet (Monkeypox Skin Lesion Detector Network) to facilitate early detection and categorization of Monkeypox lesions and Non-Monkeypox lesions in digital images. Our model represents a significant advancement in the field of monkeypox lesion detection by offering superior performance metrics, including precision, recall, F1-score, accuracy, and AUC, compared to traditional pre-trained models such as VGG16, ResNet50, and DenseNet121. The key novelty of our approach lies in MpoxSLDNet's ability to achieve high detection accuracy while requiring significantly less storage space than existing models. By addressing the challenge of high storage requirements, MpoxSLDNet presents a practical solution for early detection and categorization of monkeypox lesions in resource-constrained healthcare settings. In this study, we have used "Monkeypox Skin Lesion Dataset" comprising 1428 skin images of monkeypox lesions and 1764 skin images of Non-Monkeypox lesions. Dataset's limitations could potentially impact the model's ability to generalize to unseen cases. However, the MpoxSLDNet model achieved a validation accuracy of 94.56%, compared to 86.25%, 84.38%, and 67.19% for VGG16, DenseNet121, and ResNet50, respectively.
Abstract（参考訳）: サルポックスウイルス(英: Monkeypox virus、MPXV)は、特に中央アフリカと西アフリカの遠隔地において、公衆衛生に重大な脅威をもたらす動物性ウイルスである。サルポックス病変の早期発見は治療に不可欠である。しかし、他の皮膚疾患と類似しているため、サルポックス病変の検出は難しい課題である。サルポックスを検出するために、多くの研究者はMobileNetv2、VGG16、ResNet50、InceptionV3、DenseNet121、EfficientNetB3、MobileNetV2、Xceptionといった様々なディープラーニングモデルを使用した。しかし、これらのモデルはサイズが大きいため、しばしば高いストレージスペースを必要とする。本研究の目的は,MpoxSLDNet(Monkeypox Skin Lesion Detector Network)と呼ばれるCNNモデルを導入し,サルポックス病変や非サルポックス病変の早期発見と分類を容易にすることである。我々のモデルは、VGG16、ResNet50、DenseNet121といった従来のトレーニング済みモデルと比較して、精度、リコール、F1スコア、精度、AUCなどの優れたパフォーマンス指標を提供することで、サルポックス病変検出の分野で大きな進歩を示している。 MpoxSLDNetは、既存のモデルに比べてストレージスペースを著しく少なくしながら、高い検出精度を実現することができる。高ストレージ要件の課題に対処することにより、MpoxSLDNetはリソース制約された医療環境におけるサルポックス病変の早期発見と分類のための実用的なソリューションを提供する。本研究では, サルポックス病変1428枚と非サルポックス病変1764枚からなる「サルポックス皮膚病変データセット」を用いた。データセットの制限は、目に見えないケースに一般化するモデルの能力に影響を与える可能性がある。しかし、MpoxSLDNetモデルは検証精度が86.25%、84.38%、VGG16、DenseNet121、ResNet50の67.19%に対して94.56%に達した。

関連論文リスト

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)
Attention Based Feature Fusion Network for Monkeypox Skin Lesion Detection [0.09642500063568188]
最近のサルポックスの流行は公衆衛生に重大な懸念をもたらしている。深層学習アルゴリズムは、新型コロナウイルス(COVID-19)を含む病気の特定に利用できる。本稿では,ヒトサルポックス病を分類するために,事前学習した2つのアーキテクチャをマージする軽量モデルを提案する。
論文参考訳（メタデータ） (2024-08-13T05:21:03Z)
Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-02-05T18:58:11Z)
A Web-based Mpox Skin Lesion Detection System Using State-of-the-art Deep Learning Models Considering Racial Diversity [1.846958522363092]
以前は「モンキーポックス」と呼ばれていた「ムポックス」は、公衆衛生上重要な問題となり、世界中で110か国以上に広まっている。ポリメラーゼ連鎖反応(PCR)に基づく診断がすぐには利用できない場合に、コンピュータ支援スクリーニングツールが有用であることが証明されている。深層学習法は複雑なデータ表現を学習する上で強力であるが、その有効性は主に適切なトレーニングデータに依存している。
論文参考訳（メタデータ） (2023-06-25T08:23:44Z)
Monkeypox Skin Lesion Detection Using Deep Learning Models: A Feasibility Study [1.9395755884693817]
最近のサルポックスの流行は、アフリカ以外の40カ国で急速に拡大しているため、公衆衛生上の問題となっている。サルポックス病変のコンピュータによる検出は, 疑われる症例の迅速同定と監視に有用であると考えられた。深層学習法は皮膚病変の自動検出に有効である。
論文参考訳（メタデータ） (2022-07-06T09:09:28Z)
Image Data collection and implementation of deep learning-based model in detecting Monkeypox disease using modified VGG16 [0.0]
新たに開発された"Monkeypox2022"データセットを紹介します。研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
論文参考訳（メタデータ） (2022-06-04T00:34:15Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文参考訳（メタデータ） (2020-03-27T11:32:18Z)
Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks [0.0]
中国発祥の新型コロナウイルス(COVID-19)は、他国に住む人々の間で急速に広まっている。新型コロナウイルス(COVID-19)検査キットは毎日増えているため、病院では限られている。 5つの事前訓練された畳み込みニューラルネットワークに基づくモデルが、胸部X線写真を用いた新型コロナウイルス感染者の検出のために提案されている。
論文参考訳（メタデータ） (2020-03-24T13:50:23Z)

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。