論文の概要: Lightweight Neural Architecture Search for Cerebral Palsy Detection
- arxiv url: http://arxiv.org/abs/2409.20060v1
- Date: Mon, 30 Sep 2024 08:03:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 19:42:09.227217
- Title: Lightweight Neural Architecture Search for Cerebral Palsy Detection
- Title（参考訳）: 脳性麻痺検出のための軽量ニューラルネットワーク探索
- Authors: Felix Tempel, Espen Alexander F. Ihlen, Inga Strümke,
- Abstract要約: 脳性麻痺 (CP) は小児障害の主要な原因の1つである。
従来の機械学習アプローチは、CP検出タスクにおいて限られた予測性能を提供する。
本稿では、強化学習更新方式を適用したニューラルネットワーク探索(NAS)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.14999444543328289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The neurological condition known as cerebral palsy (CP) first manifests in infancy or early childhood and has a lifelong impact on motor coordination and body movement. CP is one of the leading causes of childhood disabilities, and early detection is crucial for providing appropriate treatment. However, such detection relies on assessments by human experts trained in methods like general movement assessment (GMA). These are not widely accessible, especially in developing countries. Conventional machine learning approaches offer limited predictive performance on CP detection tasks, and the approaches developed by the few available domain experts are generally dataset-specific, restricting their applicability beyond the context for which these were created. To address these challenges, we propose a neural architecture search (NAS) algorithm applying a reinforcement learning update scheme capable of efficiently optimizing for the best architectural and hyperparameter combination to discover the most suitable neural network configuration for detecting CP. Our method performs better on a real-world CP dataset than other approaches in the field, which rely on large ensembles. As our approach is less resource-demanding and performs better, it is particularly suitable for implementation in resource-constrained settings, including rural or developing areas with limited access to medical experts and the required diagnostic tools. The resulting model's lightweight architecture and efficient computation time allow for deployment on devices with limited processing power, reducing the need for expensive infrastructure, and can, therefore, be integrated into clinical workflows to provide timely and accurate support for early CP diagnosis.
- Abstract（参考訳）: 脳性麻痺(CP)と呼ばれる神経疾患は、幼少期または幼少期に発症し、運動調整や身体運動に生涯影響を及ぼす。
CPは小児障害の主要な原因の1つであり、早期発見は適切な治療を行う上で重要である。
しかし、そのような検出は、一般運動評価(GMA)のような手法で訓練された人間の専門家による評価に依存する。
これらは、特に発展途上国では広くアクセスできない。
従来の機械学習アプローチはCP検出タスクにおいて限られた予測性能を提供しており、利用可能な数少ないドメインエキスパートによって開発されたアプローチは一般的にデータセット固有であり、それらが作成されたコンテキストを超えた適用性を制限する。
これらの課題に対処するために,最適なアーキテクチャとハイパーパラメータの組み合わせを効率的に最適化し,CP検出に最適なニューラルネットワーク構成を見つけることができる強化学習更新スキームを適用したニューラルネットワーク探索(NAS)アルゴリズムを提案する。
提案手法は,大規模アンサンブルに依存しているフィールド上の他のアプローチよりも,実世界のCPデータセットの方が優れている。
本手法は, 資源需要が低く, 性能も良好であるため, 特に, 医療専門家や必要な診断ツールに限られた地域や開発途上国を含む, 資源制約のある環境における実装に適している。
結果、軽量なアーキテクチャと効率的な計算時間により、処理能力の制限のあるデバイスへのデプロイメントが可能になり、高価なインフラストラクチャの必要性を低減し、したがって、早期CP診断のタイムリーかつ正確なサポートを提供するために、臨床ワークフローに統合することができる。
関連論文リスト
- An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging
for High Precision COVID-19 Diagnostics [0.0]
決定支援システムは、画像の物理的検査に固有の課題を緩和する。
ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。
本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
論文 参考訳（メタデータ） (2023-05-30T13:14:03Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳（メタデータ） (2022-07-01T14:17:11Z) - REET: Robustness Evaluation and Enhancement Toolbox for Computational
Pathology [1.452875650827562]
計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。
REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。
REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
論文 参考訳（メタデータ） (2022-01-28T18:23:55Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Probeable DARTS with Application to Computational Pathology [44.20005949950844]
我々は、その効率のために微分可能なアーキテクチャサーチ(DARTS)を使用している。
次に、最適なネットワークアーキテクチャを探索することで、CPathアプリケーションに検索フレームワークを適用します。
その結果,検索したネットワークは,予測精度と複雑性の観点から,最先端ネットワークよりも優れていた。
論文 参考訳（メタデータ） (2021-08-16T02:16:06Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2021-01-12T08:36:23Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - A Smartphone-based System for Real-time Early Childhood Caries Diagnosis [76.71303610807156]
6歳未満の小児では, 乳児期チャイナリー (ECC) が最も多いが, 予防可能な慢性疾患である。
本研究では,キャビティ検出のための多段階深層学習システムを提案する。
我々は、ディープラーニングシステムを、早期からECCを診断し、トレーニングされていないユーザにリアルタイムな結果を提供する、使い易いモバイルアプリケーションに統合する。
論文 参考訳（メタデータ） (2020-08-17T21:11:19Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳（メタデータ） (2020-07-08T21:38:29Z) - Evolutionary Neural Architecture Search for Retinal Vessel Segmentation [2.0159253466233222]
網膜血管分割のためのエンコーダデコーダアーキテクチャを最適化するために、ニューラルアーキテクチャサーチ(NAS)を適用した新しいアプローチを提案する。
修正された進化的アルゴリズムは、限られた計算資源を持つエンコーダ・デコーダフレームワークのアーキテクチャの進化に使用される。
クロストレーニングの結果、進化したモデルには相当な拡張性があり、臨床疾患の診断に大きな可能性があることが示唆された。
論文 参考訳（メタデータ） (2020-01-18T15:07:26Z)
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。