論文の概要: Distributed U-net model and Image Segmentation for Lung Cancer Detection
- arxiv url: http://arxiv.org/abs/2502.14928v1
- Date: Thu, 20 Feb 2025 03:29:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 16:09:25.766261
- Title: Distributed U-net model and Image Segmentation for Lung Cancer Detection
- Title（参考訳）: 肺癌検出のための分散U-netモデルと画像分割
- Authors: Tianzuo Hu,
- Abstract要約: 本研究では,コンピュータ支援設計システム(CAD)の可能性について検討し,特にU-Netのような先進的なディープラーニングモデルを用いて検討した。
肺CT画像と対応するセグメンテーションマスクからなる広範囲なデータセットは、経験的検証の基礎となる。
実験結果から,U-Netモデルのロバストな性能が確認された。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Until now, in the wake of the COVID-19 pandemic in 2019, lung diseases, especially diseases such as lung cancer and chronic obstructive pulmonary disease (COPD), have become an urgent global health issue. In order to mitigate the goal problem, early detection and accurate diagnosis of these conditions are critical for effective treatment and improved patient outcomes. To further research and reduce the error rate of hospital diagnoses, this comprehensive study explored the potential of computer-aided design (CAD) systems, especially utilizing advanced deep learning models such as U-Net. And compared with the literature content of other authors, this study explores the capabilities of U-Net in detail, and enhances the ability to simulate CAD systems through the VGG16 algorithm. An extensive dataset consisting of lung CT images and corresponding segmentation masks, curated collaboratively by multiple academic institutions, serves as the basis for empirical validation. In this paper, the efficiency of U-Net model is evaluated rigorously and precisely under multiple hardware configurations, such as single CPU, single GPU, distributed GPU and federated learning, and the effectiveness and development of the method in the segmentation task of lung disease are demonstrated. Empirical results clearly affirm the robust performance of the U-Net model, most effectively utilizing four GPUs for distributed learning, and these results highlight the potential of U-Net-based CAD systems for accurate and timely lung disease detection and diagnosis huge potential.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックを受け、肺疾患、特に肺がんや慢性閉塞性肺疾患(COPD)などの肺疾患が世界的な公衆衛生問題となっている。
目標問題を緩和するためには,早期発見と診断の精度が重要であり,治療効果の向上が期待できる。
本研究は, コンピュータ支援設計(CAD)システムの可能性, 特にU-Netのような先進的な深層学習モデルを用いて, 病院の診断の誤り率をさらに調査し, 低減するものである。
また、他の著者の文献コンテンツと比較して、U-Netの機能を詳細に検討し、VGG16アルゴリズムによるCADシステムのシミュレート能力を高める。
肺CT画像とそれに対応するセグメンテーションマスクからなる広範囲なデータセットは、複数の学術機関が共同で作成し、実証的検証の基礎となっている。
本稿では, 単一CPU, 単一GPU, 分散GPU, フェデレーション学習などのハードウェア構成下で, U-Netモデルの有効性を厳密かつ正確に評価し, 肺疾患のセグメンテーションタスクにおける手法の有効性と開発について述べる。
実験により, 分散学習に4つのGPUを効果的に活用するU-Netモデルの性能を実証し, 正確な肺疾患検出と診断のためのU-NetベースのCADシステムの可能性を明らかにした。
関連論文リスト
- A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field [0.8249694498830561]
本稿では,事前学習したMobileNetV2モデルに基づくディープラーニングネットワークフレームワークを提案する。
このモデルはテストセットで99.6%の精度を達成し、特徴抽出を大幅に改善した。
診断精度を向上し、医療費を削減し、精密医療を促進するAIの可能性は、将来の医療産業の発展に大きな影響を与えるだろう。
論文 参考訳（メタデータ） (2025-01-09T06:22:50Z) - Medical AI for Early Detection of Lung Cancer: A Survey [11.90341994990241]
肺がんは世界中で致死率と死亡率の主要な原因の1つである。
コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。
深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
論文 参考訳（メタデータ） (2024-10-18T17:45:42Z) - InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳（メタデータ） (2024-08-12T19:19:23Z) - Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。
ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文 参考訳（メタデータ） (2023-10-05T07:48:55Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - U-Det: A Modified U-Net architecture with bidirectional feature network
for lung nodule segmentation [0.0]
本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。
提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。
U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2020-03-20T14:25:22Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。