Fugu-MT 論文翻訳(概要): Automated Bleeding Detection and Classification in Wireless Capsule Endoscopy with YOLOv8-X

論文の概要: Automated Bleeding Detection and Classification in Wireless Capsule Endoscopy with YOLOv8-X

arxiv url: http://arxiv.org/abs/2412.16624v1
Date: Sat, 21 Dec 2024 13:37:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-24 16:00:27.915172
Title: Automated Bleeding Detection and Classification in Wireless Capsule Endoscopy with YOLOv8-X
Title（参考訳）: YOLOv8-Xを用いたワイヤレスカプセル内視鏡における自動出血検出と分類
Authors: Pavan C Shekar, Vivek Kanhangad, Shishir Maheshwari, T Sunil Kumar,
Abstract要約: 本稿では,Auto-WCEBleedGen Version V1 Challengeに対するソリューションを提案する。出血領域の検出と分類のための統一型YOLOv8-Xモデルを開発した。本手法は,val idationデータセットで平均精度(mAP)を0.5IoUで96.10%,平均精度(mAP)を76.8%とした。
参考スコア（独自算出の注目度）: 2.6374023322018916
License:
Abstract: Gastrointestinal (GI) bleeding, a critical indicator of digestive system disorders, re quires efficient and accurate detection methods. This paper presents our solution to the Auto-WCEBleedGen Version V1 Challenge, where we achieved the consolation position. We developed a unified YOLOv8-X model for both detection and classification of bleeding regions in Wireless Capsule Endoscopy (WCE) images. Our approach achieved 96.10% classification accuracy and 76.8% mean Average Precision (mAP) at 0.5 IoU on the val idation dataset. Through careful dataset curation and annotation, we assembled and trained on 6,345 diverse images to ensure robust model performance. Our implementa tion code and trained models are publicly available at https://github.com/pavan98765/Auto-WCEBleedGen.
Abstract（参考訳）: 消化器系疾患の重要な指標である消化管出血は、効率的かつ正確な検出方法である。本稿では,その慰安位置を達成したAuto-WCEBleedGen Version V1 Challengeに対するソリューションを提案する。 We developed a unified YOLOv8-X model for detection and classification of bleeding region in Wireless Capsule Endoscopy (WCE) images。本手法は,val idationデータセットで平均精度(mAP)を0.5IoUで96.10%,平均精度(mAP)を76.8%とした。慎重なデータセットのキュレーションとアノテーションによって、6,345の多様なイメージを収集、訓練し、堅牢なモデル性能を確保しました。私たちの実装 tion コードとトレーニングされたモデルは、https://github.com/pavan98765/Auto-WCEBleedGenで公開されています。

関連論文リスト

Transformer-Based Wireless Capsule Endoscopy Bleeding Tissue Detection and Classification [0.562479170374811]
我々は出血フレームと非出血フレームの自動検出と分類のためのエンドツーエンドのトレーニング可能なモデルを設計する。 DETRモデルに基づいて,特徴抽出にはResnet50,出血および非出血領域検出にはトランスフォーマーエンコーダデコーダ,分類にはフィードフォワードニューラルネットワークを用いた。自動WCEBleedGenバージョン1チャレンジトレーニングセットのエンドツーエンドアプローチでトレーニングされた本モデルでは,検出タスクと分類タスクの両方を単一ユニットとして実行する。
論文参考訳（メタデータ） (2024-12-26T13:49:39Z)
ColonNet: A Hybrid Of DenseNet121 And U-NET Model For Detection And Segmentation Of GI Bleeding [1.2499537119440245]
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。
論文参考訳（メタデータ） (2024-12-06T17:48:06Z)
Capsule Endoscopy Multi-classification via Gated Attention and Wavelet Transformations [1.5146068448101746]
消化管の異常は患者の健康に大きく影響を与え、タイムリーな診断が必要である。この研究は、ビデオフレームから消化管の異常を分類するために設計された新しいモデルの開発と評価のプロセスを示す。 Omni次元のGated Attention(OGA)機構とWavelet変換技術をモデルアーキテクチャに統合することで、モデルは最も重要な領域に集中することができた。このモデルの性能は、VGG16とResNet50の2つのベースモデルに対してベンチマークされ、胃腸の異常範囲を正確に識別し分類する能力の強化が示されている。
論文参考訳（メタデータ） (2024-10-25T08:01:35Z)
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)
Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文参考訳（メタデータ） (2024-06-18T03:04:52Z)
A Robust Pipeline for Classification and Detection of Bleeding Frames in Wireless Capsule Endoscopy using Swin Transformer and RT-DETR [1.7499351967216343]
Swin Transformerは、出血フレームの初期分類と、出血のさらなる検出のためのRT-DETRを組み合わせたソリューションである。検証セットでは、前処理なしで98.5%の分類精度を91.7%と比較する。テストセットでは、それぞれ87.0%と89.0%の分類精度とF1スコアを達成する。
論文参考訳（メタデータ） (2024-06-12T09:58:42Z)
Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文参考訳（メタデータ） (2023-04-08T10:47:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
論文参考訳（メタデータ） (2022-11-07T21:35:08Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
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)

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。