論文の概要: AI Guided Early Screening of Cervical Cancer

• arxiv url: http://arxiv.org/abs/2411.12681v1
• Date: Tue, 19 Nov 2024 17:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:37:27.645696
• Title: AI Guided Early Screening of Cervical Cancer
• Title（参考訳）: 子宮頸癌早期検診のAIガイド
• Authors: Dharanidharan S I, Suhitha Renuka S V, Ajishi Singh, Sheena Christabel Pravin,
• Abstract要約: このプロジェクトでは、医療画像データセットの事前処理、強化、整理に重点を置いている。 データセットには、正常と異常の2つの分類と、追加のノイズ変動がある。 医療異常検出のための正確かつ効果的な機械学習モデルを作成するため、この徹底的なアプローチにより高品質な入力データが保証される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In order to support the creation of reliable machine learning models for anomaly detection, this project focuses on preprocessing, enhancing, and organizing a medical imaging dataset. There are two classifications in the dataset: normal and abnormal, along with extra noise fluctuations. In order to improve the photographs' quality, undesirable artifacts, including visible medical equipment at the edges, were eliminated using central cropping. Adjusting the brightness and contrast was one of the additional preprocessing processes. Normalization was then performed to normalize the data. To make classification jobs easier, the dataset was methodically handled by combining several image subsets into two primary categories: normal and pathological. To provide a strong training set that adapts well to real-world situations, sophisticated picture preprocessing techniques were used, such as contrast enhancement and real-time augmentation (including rotations, zooms, and brightness modifications). To guarantee efficient model evaluation, the data was subsequently divided into training and testing subsets. In order to create precise and effective machine learning models for medical anomaly detection, high-quality input data is ensured via this thorough approach. Because of the project pipeline's flexible and scalable design, it can be easily integrated with bigger clinical decision-support systems.
• Abstract（参考訳）: 異常検出のための信頼性の高い機械学習モデルの作成を支援するため、本プロジェクトは、医療画像データセットの事前処理、拡張、編成に重点を置いている。 データセットには、正常と異常の2つの分類と、追加のノイズ変動がある。 写真の品質向上のため, 中央収穫により, 可視的医療機器を含む望ましくない人工物が除去された。 明るさとコントラストの調整は、追加の事前処理プロセスの1つだった。 その後、データを正規化するために正規化が行われた。 分類ジョブを容易にするために、データセットは、いくつかの画像サブセットを正常と病理の2つの主要なカテゴリに組み合わせて、体系的に処理された。 コントラスト強化やリアルタイム増強(回転、ズーム、明るさ修正を含む)など、現実世界の状況によく適応し、洗練された画像前処理技術が用いられた強力なトレーニングセットを提供する。 効率的なモデル評価を保証するため、データはその後、トレーニングとテストのサブセットに分割された。 医療異常検出のための正確かつ効果的な機械学習モデルを作成するため、この徹底的なアプローチにより高品質な入力データが保証される。 プロジェクトパイプラインのフレキシブルでスケーラブルな設計のため、より大きな臨床的意思決定支援システムと簡単に統合できます。

関連論文リスト

• TSynD: Targeted Synthetic Data Generation for Enhanced Medical Image Classification [0.011037620731410175]
  この研究は、生成モデルを誘導し、高い不確実性でデータを合成することを目的としている。 最適化プロセスによりオートエンコーダの特徴空間を変更する。 我々は,複数の分類タスクに対するテスト時間データ拡張と敵攻撃に対する堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-06-25T11:38:46Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• 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)
• Metadata-enhanced contrastive learning from retinal optical coherence tomography images [7.932410831191909]
  従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。 本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。 提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
  論文  参考訳（メタデータ） (2022-08-04T08:53:15Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• 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)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Advancing diagnostic performance and clinical usability of neural networks via adversarial training and dual batch normalization [2.1699022621790736]
  6人の放射線学者がX線、CT、磁気共鳴画像スキャンのデータセットにおける塩分濃度マップの解釈可能性を評価する。 その結果, 十分大きなデータセットと二重バッチノルムを用いた場合, 逆学習モデルの精度は標準モデルに等しいことがわかった。
  論文  参考訳（メタデータ） (2020-11-25T20:41:01Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages [0.3058685580689604]
  提案した研究は2つの主要なフェーズから構成される。 第1フェーズでは、画像が前処理され、クラッタが除去され、訓練画像の洗練されたバージョンが生成される。 実験の結果,両ネットワークの精細化版を用いて,列車および検証精度の顕著な向上を示した。 アートインセプション-v3ネットワークを用いた最終テスト精度は86%であった。
  論文  参考訳（メタデータ） (2020-03-13T16:07:00Z)

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。