Fugu-MT 論文翻訳(概要): Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection

論文の概要: Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection

arxiv url: http://arxiv.org/abs/2407.03163v1
Date: Wed, 3 Jul 2024 14:36:07 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 13:46:50.822690
Title: Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection
Title（参考訳）: 小児リストフラクチャー検出のためのYOLOv8のグローバルコンテキストモデリング
Authors: Rui-Yang Ju, Chun-Tse Chien, Chia-Min Lin, Jen-Shiun Chiang,
Abstract要約: 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。
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: Children often suffer wrist injuries in daily life, while fracture injuring radiologists usually need to analyze and interpret X-ray images before surgical treatment by surgeons. The development of deep learning has enabled neural network models to work as computer-assisted diagnosis (CAD) tools to help doctors and experts in diagnosis. Since the YOLOv8 models have obtained the satisfactory success in object detection tasks, it has been applied to fracture detection. The Global Context (GC) block effectively models the global context in a lightweight way, and incorporating it into YOLOv8 can greatly improve the model performance. This paper proposes the YOLOv8+GC model for fracture detection, which is an improved version of the YOLOv8 model with the GC block. Experimental results demonstrate that compared to the original YOLOv8 model, the proposed YOLOv8-GC model increases the mean average precision calculated at intersection over union threshold of 0.5 (mAP 50) from 63.58% to 66.32% on the GRAZPEDWRI-DX dataset, achieving the state-of-the-art (SOTA) level. The implementation code for this work is available on GitHub at https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection.
Abstract（参考訳）: 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外科治療の前に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)ツールとして機能し、医師や専門家の診断を支援することができる。 YOLOv8モデルは, 対象検出タスクにおいて良好な成功を収めたので, フラクチャー検出に応用されている。 Global Context(GC)ブロックは、グローバルコンテキストを軽量な方法で効果的にモデル化し、YOLOv8に組み込むことで、モデルパフォーマンスを大幅に改善する。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+GCモデルを提案する。実験結果から,提案したYOLOv8-GCモデルと比較すると,GRAZPEDWRI-DXデータセット上で0.5(mAP 50)の結合閾値の交差平均精度が63.58%から66.32%に向上し,SOTA(State-of-the-art)レベルが達成された。この作業の実装コードはGitHubでhttps://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detectionで公開されている。

関連論文リスト

YOLOv10 for Automated Fracture Detection in Pediatric Wrist Trauma X-rays [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)
Enhancing Wrist Abnormality Detection with YOLO: Analysis of State-of-the-art Single-stage Detection Models [3.2049746597433746]
この研究では、最先端の単一ステージのディープニューラルネットワークに基づく検出モデルYOLOv5、YOLOv6、YOLOv7、YOLOv8を用いて、手首の異常を検出する。これらのYOLOモデルは, 骨骨折検出において, 一般的に用いられている2段階検出アルゴリズムであるFaster R-CNNよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-07-17T14:21:53Z)
YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
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。
論文参考訳（メタデータ） (2024-03-17T15:47:54Z)
YOLOv8-AM: YOLOv8 with Attention Mechanisms for Pediatric Wrist Fracture Detection [0.0]
本研究は,本来のYOLOv8アーキテクチャにアテンション機構を組み込んだYOLOv8-AMを提案する。 ResBlock + CBAM (ResCBAM) に基づくYOLOv8-AMモデルのIoU 50(mAP 50)の平均精度は63.6%から65.8%に向上し,SOTAの性能が向上した。
論文参考訳（メタデータ） (2024-02-14T17:18:15Z)
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)
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)
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)
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)
RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
論文参考訳（メタデータ） (2020-11-13T11:07:08Z)
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)

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。