論文の概要: A Comparative Study of Multiple Deep Learning Algorithms for Efficient Localization of Bone Joints in the Upper Limbs of Human Body

• arxiv url: http://arxiv.org/abs/2410.20639v1
• Date: Mon, 28 Oct 2024 00:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:22:33.512049
• Title: A Comparative Study of Multiple Deep Learning Algorithms for Efficient Localization of Bone Joints in the Upper Limbs of Human Body
• Title（参考訳）: 人体上肢における骨接合部の効率的な局在化のための多重深層学習アルゴリズムの比較検討
• Authors: Soumalya Bose, Soham Basu, Indranil Bera, Sambit Mallick, Snigdha Paul, Saumodip Das, Swarnendu Sil, Swarnava Ghosh, Anindya Sen,
• Abstract要約: 上肢, 肘, 肩関節, 手首関節, 指関節における関節検出の医学的問題点について検討した。 この研究は、数学的、グラフィカル、視覚的に異なるディープラーニングモデルの性能を分析する。 YOLOv7は境界ボックスを正確に予測するのに最適であり、YOLOv3はビジュアル分析テストで最悪である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper addresses the medical imaging problem of joint detection in the upper limbs, viz. elbow, shoulder, wrist and finger joints. Localization of joints from X-Ray and Computerized Tomography (CT) scans is an essential step for the assessment of various bone-related medical conditions like Osteoarthritis, Rheumatoid Arthritis, and can even be used for automated bone fracture detection. Automated joint localization also detects the corresponding bones and can serve as input to deep learning-based models used for the computerized diagnosis of the aforementioned medical disorders. This in-creases the accuracy of prediction and aids the radiologists with analyzing the scans, which is quite a complex and exhausting task. This paper provides a detailed comparative study between diverse Deep Learning (DL) models - YOLOv3, YOLOv7, EfficientDet and CenterNet in multiple bone joint detections in the upper limbs of the human body. The research analyses the performance of different DL models, mathematically, graphically and visually. These models are trained and tested on a portion of the openly available MURA (musculoskeletal radiographs) dataset. The study found that the best Mean Average Precision (mAP at 0.5:0.95) values of YOLOv3, YOLOv7, EfficientDet and CenterNet are 35.3, 48.3, 46.5 and 45.9 respectively. Besides, it has been found YOLOv7 performed the best for accurately predicting the bounding boxes while YOLOv3 performed the worst in the Visual Analysis test. Code available at https://github.com/Sohambasu07/BoneJointsLocalization
• Abstract（参考訳）: 上肢, 肘, 肩関節, 手首関節, 指関節における関節検出の医学的問題点について検討した。 関節症, 関節リウマチ, 関節リウマチなどの骨関連疾患の評価にはX線およびCTスキャンの関節の局所化が不可欠であり, 自動骨骨折検出にも有用である。 自動関節局所化はまた、対応する骨を検出し、前述の疾患のコンピュータ診断に使用される深層学習モデルへの入力として機能する。 これにより、予測の精度が向上し、放射線学者がスキャンを分析するのに役立つ。 本稿では,多種多様な深層学習モデル(YOLOv3, YOLOv7, EfficientDet, CenterNet)の比較検討を行った。 この研究は、数学的、グラフィカル、視覚的に異なるDLモデルの性能を分析する。 これらのモデルは、公開されているMU(musculoskeletal radiographs)データセットの一部でトレーニングされ、テストされる。 その結果、平均精度(mAP:0.5:0.95)は、YOLOv3、YOLOv7、EfficientDet、CenterNetはそれぞれ35.3、48.3、46.5、45.9であることがわかった。 さらに、YOLOv7は境界ボックスを正確に予測するのに最適であり、YOLOv3はビジュアル分析テストで最悪の結果となった。 https://github.com/Sohambasu07/BoneJointsLocalizationで利用可能なコード

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)
• Pediatric Wrist Fracture Detection in X-rays via YOLOv10 Algorithm and Dual Label Assignment System [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)
• Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2024-07-03T14:36:07Z)
• Bone mineral density estimation from a plain X-ray image by learning decomposition into projections of bone-segmented computed tomography [4.872603360039571]
  骨粗しょう症(英: osteoporosis)は、脆弱な骨の骨折を引き起こす骨疾患であり、日常生活活動の低下につながる。 骨の健康、低コスト、低用量、ユビキタスに利用可能な診断方法を頻繁に監視するためには、非常に期待されている。 本研究の目的は, 骨密度を原X線画像から推定し, 骨密度を計測することである。
  論文  参考訳（メタデータ） (2023-07-21T11:49:30Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• 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)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。