Fugu-MT 論文翻訳(概要): FUSECAPS: Investigating Feature Fusion Based Framework for Capsule Endoscopy Image Classification

論文の概要: FUSECAPS: Investigating Feature Fusion Based Framework for Capsule Endoscopy Image Classification

arxiv url: http://arxiv.org/abs/2411.02637v1
Date: Mon, 04 Nov 2024 21:55:52 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-06 14:59:01.830633
Title: FUSECAPS: Investigating Feature Fusion Based Framework for Capsule Endoscopy Image Classification
Title（参考訳）: FUSECAPS:カプセル内視鏡画像分類のための特徴融合フレームワークの検討
Authors: Bidisha Chakraborty, Shree Mitra,
Abstract要約: この研究は内視鏡画像の分類に強力な方法論を提供する。本稿では、畳み込みニューラルネットワーク(CNN)、多層パーセプトロン(MLP)、放射能を組み合わせたハイブリッド特徴抽出法を提案する。カプセル内視鏡ビデオフレーム分類作業において,76.2%の精度で検証を行った。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In order to improve model accuracy, generalization, and class imbalance issues, this work offers a strong methodology for classifying endoscopic images. We suggest a hybrid feature extraction method that combines convolutional neural networks (CNNs), multi-layer perceptrons (MLPs), and radiomics. Rich, multi-scale feature extraction is made possible by this combination, which captures both deep and handmade representations. These features are then used by a classification head to classify diseases, producing a model with higher generalization and accuracy. In this framework we have achieved a validation accuracy of 76.2% in the capsule endoscopy video frame classification task.
Abstract（参考訳）: モデル精度、一般化、クラス不均衡の問題を改善するため、この研究は内視鏡画像の分類のための強力な方法論を提供する。本稿では、畳み込みニューラルネットワーク(CNN)、多層パーセプトロン(MLP)、放射能を組み合わせたハイブリッド特徴抽出法を提案する。リッチでマルチスケールな特徴抽出は、ディープとハンドメイドの両方の表現をキャプチャするこの組み合わせによって実現されている。これらの特徴は分類ヘッドによって病気の分類に使用され、より高度な一般化と精度のモデルが生成される。本フレームワークでは,カプセル内視鏡ビデオフレーム分類作業において,76.2%の検証精度を実現した。

関連論文リスト

Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
論文参考訳（メタデータ） (2024-10-04T11:31:43Z)
MultiFusionNet: Multilayer Multimodal Fusion of Deep Neural Networks for Chest X-Ray Image Classification [16.479941416339265]
畳み込みニューラルネットワーク(CNN)を用いた自動システムは胸部X線画像分類の精度と効率を向上させることを約束している。本稿では,異なる層から特徴を抽出し,それらを融合させる深層学習に基づく多層核融合モデルを提案する。提案モデルでは,3クラス分類と2クラス分類の両方において,97.21%,99.60%の精度を実現している。
論文参考訳（メタデータ） (2024-01-01T11:50:01Z)
Gene-induced Multimodal Pre-training for Image-omic Classification [20.465959546613554]
本稿では、ゲノム情報と全スライド画像(WSI)を併用した遺伝子誘導型マルチモーダル事前学習フレームワークを提案する。 TCGAデータセットによる実験結果から,ネットワークアーキテクチャと事前学習フレームワークの優位性が示され,画像-オミクス分類の精度は99.47%に達した。
論文参考訳（メタデータ） (2023-09-06T04:30:15Z)
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文参考訳（メタデータ） (2023-08-04T01:19:32Z)
Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。分析するデータには教師なし学習モデルが必要です。
論文参考訳（メタデータ） (2023-04-19T13:45:28Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文参考訳（メタデータ） (2022-04-18T13:31:53Z)
Deep Learning for Breast Cancer Classification: Enhanced Tangent Function [27.761266391596262]
近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
論文参考訳（メタデータ） (2021-07-01T08:36:27Z)
Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文参考訳（メタデータ） (2020-10-07T08:44:21Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。