論文の概要: A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning

• arxiv url: http://arxiv.org/abs/2410.14833v1
• Date: Fri, 18 Oct 2024 19:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:01.658897
• Title: A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning
• Title（参考訳）: Atention Based Transfer Learning を用いた胸部X線画像からの骨骨折の分類
• Authors: Sayeda Sanzida Ferdous Ruhi, Fokrun Nahar, Adnan Ferdous Ashrafi,
• Abstract要約: 我々は,X線スキャンで骨骨折を検出するために,注意に基づく移動学習モデルを構築した。 本モデルでは, フラクチャー分類の90%以上を最先端の精度で達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Computer-aided diagnosis (CAD) is today considered a vital tool in the field of biological image categorization, segmentation, and other related tasks. The current breakthrough in computer vision algorithms and deep learning approaches has substantially enhanced the effectiveness and precision of apps built to recognize and locate regions of interest inside medical photographs. Among the different disciplines of medical image analysis, bone fracture detection, and classification have exhibited exceptional potential. Although numerous imaging modalities are applied in medical diagnostics, X-rays are particularly significant in this sector due to their broad availability, ease of use, and extensive information extraction capabilities. This research studies bone fracture categorization using the FracAtlas dataset, which comprises 4,083 musculoskeletal radiography pictures. Given the transformational development in transfer learning, particularly its efficacy in medical image processing, we deploy an attention-based transfer learning model to detect bone fractures in X-ray scans. Though the popular InceptionV3 and DenseNet121 deep learning models have been widely used, they still have the potential to be employed in crucial jobs. In this research, alongside transfer learning, a separate attention mechanism is also applied to boost the capabilities of transfer learning techniques. Through rigorous optimization, our model achieves a state-of-the-art accuracy of more than 90\% in fracture classification. This work contributes to the expanding corpus of research focused on the application of transfer learning to medical imaging, notably in the context of X-ray processing, and emphasizes the promise for additional exploration in this domain.
• Abstract（参考訳）: コンピュータ支援診断(CAD)は現在、生物学的画像分類、セグメンテーション、その他の関連タスクの分野において重要なツールと考えられている。 コンピュータビジョンアルゴリズムとディープラーニングアプローチの現在のブレークスルーは、医療写真内の関心領域を認識し、特定するために構築されたアプリの有効性と精度を大幅に向上させた。 医学的画像解析の異なる分野の中で、骨骨折の検出と分類は例外的な可能性を示している。 多くの画像モダリティが医学的診断に応用されているが、X線は広く利用できること、使いやすさ、広範囲な情報抽出能力のためにこの分野において特に重要である。 本研究は,4,083個の骨格筋X線写真からなるFracAtlasデータセットを用いて骨骨折分類について検討した。 転写学習の変容,特に医用画像処理における有効性を考えると,X線スキャンで骨骨折を検出するために注目に基づく転写学習モデルをデプロイする。 人気の高いInceptionV3とDenseNet121のディープラーニングモデルは広く使われているが、それでも重要なジョブに採用される可能性がある。 本研究では,移動学習とともに,移動学習技術の能力を高めるために,別の注意機構を適用した。 厳密な最適化により, フラクチャー分類の精度は90%以上となる。 この研究は、医用画像へのトランスファーラーニングの適用、特にX線処理の文脈における研究の進展に寄与し、この領域におけるさらなる探索の約束を強調している。

関連論文リスト

• Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
  人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。 これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
  論文  参考訳（メタデータ） (2024-10-18T02:57:14Z)
• Exploring the Role of Convolutional Neural Networks (CNN) in Dental Radiography Segmentation: A Comprehensive Systematic Literature Review [1.342834401139078]
  この研究は、画像解析にCNN(Convolutional Neural Networks)を用いることで、歯科疾患の検出に有効なツールであることを示す。 CNNは歯のセグメンテーションと分類に利用し、全体として最高のパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-01-17T13:00:57Z)
• Empowering Medical Imaging with Artificial Intelligence: A Review of Machine Learning Approaches for the Detection, and Segmentation of COVID-19 Using Radiographic and Tomographic Images [2.232567376976564]
  2019年以降、コロナウイルスとその新規株の世界的な普及により、新たな感染が急増している。 X線およびCTイメージング技術の使用は、新型コロナウイルスの診断と管理に重要である。 本稿では、機械学習(ML)を用いた新型コロナウイルスの診断のための医療画像の改善手法に焦点を当てた。
  論文  参考訳（メタデータ） (2024-01-13T09:17:39Z)
• Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
  本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。 このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
  論文  参考訳（メタデータ） (2023-12-19T13:14:52Z)
• Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
  我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。 CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
  論文  参考訳（メタデータ） (2023-06-03T09:05:35Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Computer Vision on X-ray Data in Industrial Production and Security Applications: A survey [89.45221564651145]
  本稿では,コンピュータビジョンと機械学習を用いた産業生産およびセキュリティアプリケーションにおけるX線分析に関する最近の研究をレビューする。 公開されているデータセット上でのアプリケーション、テクニック、評価メトリクス、データセット、それらのテクニックのパフォーマンス比較をカバーしている。
  論文  参考訳（メタデータ） (2022-11-10T13:37:36Z)
• 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)
• 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)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。