Fugu-MT 論文翻訳(概要): Optimizing CNN Architectures for Advanced Thoracic Disease Classification

論文の概要: Optimizing CNN Architectures for Advanced Thoracic Disease Classification

arxiv url: http://arxiv.org/abs/2502.10614v1
Date: Sat, 15 Feb 2025 00:27:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:16:46.434131
Title: Optimizing CNN Architectures for Advanced Thoracic Disease Classification
Title（参考訳）: 高度胸部疾患分類のためのCNNアーキテクチャの最適化
Authors: Tejas Mirthipati,
Abstract要約: データセットの不均衡、画像品質の変化、隠れバイアスといった課題に対処するために、さまざまなCNNアーキテクチャを評価します。医用画像におけるCNNの可能性を強調しながら,不均衡なデータセットや画像取得手法のバリエーションといった問題に対処する必要があることを強調した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Machine learning, particularly convolutional neural networks (CNNs), has shown promise in medical image analysis, especially for thoracic disease detection using chest X-ray images. In this study, we evaluate various CNN architectures, including binary classification, multi-label classification, and ResNet50 models, to address challenges like dataset imbalance, variations in image quality, and hidden biases. We introduce advanced preprocessing techniques such as principal component analysis (PCA) for image compression and propose a novel class-weighted loss function to mitigate imbalance issues. Our results highlight the potential of CNNs in medical imaging but emphasize that issues like unbalanced datasets and variations in image acquisition methods must be addressed for optimal model performance.
Abstract（参考訳）: 機械学習、特に畳み込みニューラルネットワーク(CNN)は、特に胸部X線画像を用いた胸部疾患の検出において、医療画像解析において有望であることを示している。本研究では,バイナリ分類,マルチラベル分類,ResNet50モデルなど,さまざまなCNNアーキテクチャを評価し,データセットの不均衡,画像品質の変化,隠れバイアスといった課題に対処する。画像圧縮のための主成分分析(PCA)のような先進的な前処理技術を導入し、不均衡問題を緩和する新しいクラス重み付き損失関数を提案する。医用画像におけるCNNの可能性を強調しながら,不均衡なデータセットや画像取得手法のバリエーションといった問題に対処する必要があることを強調した。

関連論文リスト

Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2024-01-18T16:59:27Z)
Computer-Aided Cytology Diagnosis in Animals: CNN-Based Image Quality Assessment for Accurate Disease Classification [0.1420200946324199]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた画像品質評価(IQA)に焦点を当てる。システムのビルディングブロックはIQAをシームレスに統合するように調整されており、疾患分類の信頼性を保証する。
論文参考訳（メタデータ） (2023-08-11T10:09:08Z)
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文参考訳（メタデータ） (2023-07-19T15:19:02Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
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 Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文参考訳（メタデータ） (2020-11-02T18:16:17Z)
C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification [6.85316573653194]
生体医用画像の分類を行うために,C-Netと呼ばれる複数のネットワークの結合からなる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 C-Netモデルは、両方のデータセットの個々のメトリクスにおける他のモデルよりも優れており、誤分類はゼロである。
論文参考訳（メタデータ） (2020-10-30T20:03:20Z)
Comparison of Convolutional neural network training parameters for detecting Alzheimers disease and effect on visualization [0.0]
畳み込みニューラルネットワーク(CNN)は、画像データのパターンを検出する強力なツールとなっている。これまでMRIデータのCNNモデルから得られた精度にもかかわらず、この精度を駆動する特徴や画像領域に関する情報を提供する論文はほとんどなかった。
論文参考訳（メタデータ） (2020-08-18T15:21:50Z)
Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文参考訳（メタデータ） (2020-04-12T23:42:51Z)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。