Fugu-MT 論文翻訳(概要): ColonNet: A Hybrid Of DenseNet121 And U-NET Model For Detection And Segmentation Of GI Bleeding

論文の概要: ColonNet: A Hybrid Of DenseNet121 And U-NET Model For Detection And Segmentation Of GI Bleeding

arxiv url: http://arxiv.org/abs/2412.05216v1
Date: Fri, 06 Dec 2024 17:48:06 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-09 15:56:53.760205
Title: ColonNet: A Hybrid Of DenseNet121 And U-NET Model For Detection And Segmentation Of GI Bleeding
Title（参考訳）: ColonNet:GI Bleedingの検出とセグメンテーションのためのDenseNet121とU-NETモデルのハイブリッド
Authors: Ayushman Singh, Sharad Prakash, Aniket Das, Nidhi Kushwaha,
Abstract要約: 本研究では,Wireless Capsule Endoscopy (WCE) ビデオから抽出したフレーム内の消化管出血の自動検出と分類のための統合ディープラーニングモデルを提案する。このデータセットは、MISAHUBチームがホストするAuto-WCBleedGen ChallengeバージョンV2の一部としてリリースされた。
参考スコア（独自算出の注目度）: 1.2499537119440245
License:
Abstract: This study presents an integrated deep learning model for automatic detection and classification of Gastrointestinal bleeding in the frames extracted from Wireless Capsule Endoscopy (WCE) videos. The dataset has been released as part of Auto-WCBleedGen Challenge Version V2 hosted by the MISAHUB team. Our model attained the highest performance among 75 teams that took part in this competition. It aims to efficiently utilizes CNN based model i.e. DenseNet and UNet to detect and segment bleeding and non-bleeding areas in the real-world complex dataset. The model achieves an impressive overall accuracy of 80% which would surely help a skilled doctor to carry out further diagnostics.
Abstract（参考訳）: 本研究では,Wireless Capsule Endoscopy (WCE) ビデオから抽出したフレーム内の消化管出血の自動検出と分類のための統合ディープラーニングモデルを提案する。このデータセットは、MISAHUBチームがホストするAuto-WCBleedGen ChallengeバージョンV2の一部としてリリースされた。私たちのモデルは、この競争に参加した75チームの中で最高のパフォーマンスを獲得しました。これはCNNベースのモデル、すなわちDenseNetとUNetを効率的に利用して、現実世界の複雑なデータセットの出血領域や非出血領域を検出し、セグメント化することを目的としている。このモデルでは、80%の精度で、熟練した医師がさらなる診断を行うのに役立つだろう。

関連論文リスト

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
CapsuleNet: A Deep Learning Model To Classify GI Diseases Using EfficientNet-b7 [1.2499537119440245]
Capsule Vision 2024 Challengeのために開発された深層学習モデルであるCapsuleNetについて述べる。我々のモデルは、事前訓練されたEfficientNet-b7バックボーンを活用し、分類のための追加レイヤを調整し、PRELUアクティベーション関数で最適化する。以上の結果から,CapsuleNetのようなCNNベースのモデルでは,特に推定時間が重要な因子である場合,GIトラクション病の分類に有効な解が得られることが示唆された。
論文参考訳（メタデータ） (2024-10-24T20:43:47Z)
Integrating Deep Feature Extraction and Hybrid ResNet-DenseNet Model for Multi-Class Abnormality Detection in Endoscopic Images [0.9374652839580183]
本研究の目的は、血管拡張症、出血、潰瘍を含む10種類のGI異常分類の同定を自動化することである。提案したモデルは、よく構造化されたデータセットで全体の94%の精度を達成する。
論文参考訳（メタデータ） (2024-10-24T06:10:31Z)
WCEbleedGen: A wireless capsule endoscopy dataset and its benchmarking for automatic bleeding classification, detection, and segmentation [0.983557519606656]
本研究は,WCEbleedGenという医用注釈付きWCEデータセットの開発に焦点を当てた。さまざまなインターネットリソースや既存のWCEデータセットから収集された2,618個のWCE出血フレームと非出血フレームで構成されている。データセットは高品質で、クラスバランスが取れており、単一の出血部位と複数の出血部位を含んでいる。
論文参考訳（メタデータ） (2024-08-22T15:06:50Z)
Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T15:04:42Z)
Leveraging Spatial and Semantic Feature Extraction for Skin Cancer Diagnosis with Capsule Networks and Graph Neural Networks [0.0]
本研究では,グラフニューラルネットワーク(GNN)とCapsule Networksを統合して,分類性能を向上させるという,革新的なアプローチを提案する。本稿では,Tiny Pyramid Vision GNN(Tiny Pyramid ViG)アーキテクチャをCapsule Networkに組み込んで評価・拡張することに焦点を当てた。 75回のトレーニングの後、我々のモデルは89.23%と95.52%に達し、既存のベンチマークを上回った。
論文参考訳（メタデータ） (2024-03-18T17:47:39Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文参考訳（メタデータ） (2022-10-19T15:15:32Z)
Towards a Computed-Aided Diagnosis System in Colonoscopy: Automatic Polyp Segmentation Using Convolution Neural Networks [10.930181796935734]
大腸内視鏡およびカプセル内視鏡画像における病変の認識のための深層学習フレームワークを提案する。本研究では, SfS と RGB の新規な組み合わせを提案するとともに, FCN をポリップセグメンテーションに用いた最初の研究について述べる。
論文参考訳（メタデータ） (2021-01-15T10:08:53Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。