論文の概要: Triple-Stream Deep Feature Selection with Metaheuristic Optimization and Machine Learning for Multi-Stage Hypertensive Retinopathy Diagnosis

• arxiv url: http://arxiv.org/abs/2503.01603v1
• Date: Mon, 03 Mar 2025 14:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:24:10.476529
• Title: Triple-Stream Deep Feature Selection with Metaheuristic Optimization and Machine Learning for Multi-Stage Hypertensive Retinopathy Diagnosis
• Title（参考訳）: 多段階高血圧網膜症診断のためのメタヒューリスティック最適化と機械学習による三重ストリーム深部特徴選択
• Authors: Suleyman Burcin Suyun, Mustafa Yurdakul, Sakir Tasdemir, Serkan Bilic,
• Abstract要約: 高血圧性網膜症(英: hypertensive retinopathy, HR)は、早期に診断されなかった場合、永久的な視力喪失を引き起こす重度の眼疾患である。 本研究はHR診断精度を高めるための3段階的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Hypertensive retinopathy (HR) is a severe eye disease that may cause permanent vision loss if not diagnosed early. Traditional diagnostic methods are time-consuming and subjective, highlighting the need for an automated, reliable system. Existing studies often use a single Deep Learning (DL) model, struggling to distinguish HR stages. This study introduces a three-stage approach to enhance HR diagnosis accuracy. Initially, 14 CNN models were tested, identifying DenseNet169, MobileNet, and ResNet152 as the most effective. DenseNet169 achieved 87.73% accuracy, 87.75% precision, 87.73% recall, 87.67% F1-score, and 0.8359 Cohen's Kappa. MobileNet followed with 86.40% accuracy, 86.60% precision, 86.40% recall, 86.31% F1-score, and 0.8180 Cohen's Kappa. ResNet152 ranked third with 85.87% accuracy, 86.01% precision, 85.87% recall, 85.83% F1-score, and 0.8188 Cohen's Kappa. In the second stage, deep features from these models were fused and classified using Machine Learning (ML) algorithms (SVM, RF, XGBoost). SVM (sigmoid kernel) performed best with 92.00% accuracy, 91.93% precision, 92.00% recall, 91.91% F1-score, and 0.8930 Cohen's Kappa. The third stage applied meta-heuristic optimization (GA, ABC, PSO, HHO) for feature selection. HHO yielded 94.66% accuracy, precision, and recall, 94.64% F1-score, and 0.9286 Cohen's Kappa. The proposed approach surpassed single CNN models and previous studies in HR diagnosis accuracy and generalization.
• Abstract（参考訳）: 高血圧性網膜症(英: hypertensive retinopathy, HR)は、早期に診断されなかった場合、永久的な視力喪失を引き起こす重度の眼疾患である。 従来の診断方法は時間がかかり、主観的であり、自動化された信頼性のあるシステムの必要性を強調している。 既存の研究では、HRステージの区別に苦労する1つのディープラーニング(DL)モデルがよく使われています。 本研究はHR診断精度を高めるための3段階的アプローチを提案する。 当初、14のCNNモデルがテストされ、DenseNet169、MobileNet、ResNet152が最も効果的であった。 DenseNet169は87.73%の精度、87.75%の精度、87.73%のリコール、87.67%のF1スコア、0.8359のコーエンのカッパを達成した。 MobileNetでは86.40%の精度、86.60%の精度、86.40%のリコール、86.31%のF1スコア、0.8180コーエンのKappaが続いた。 ResNet152は85.87%の精度、86.01%の精度、85.87%のリコール、85.83%のF1スコア、0.8188のCohen's Kappaで3位となった。 第2段階では、これらのモデルの深い特徴は、機械学習(ML)アルゴリズム(SVM、RF、XGBoost)を使用して融合され分類された。 SVM(Sigmoid kernel)は92.00%の精度、91.93%の精度、92.00%のリコール、91.91%のF1スコア、0.8930のCohen's Kappaで最高の性能を発揮した。 第3段階では、機能選択にメタヒューリスティック最適化(GA、ABC、PSO、HHO)を適用した。 HHOは94.66%の精度、精度、リコール、94.64%のF1スコア、0.9286のコーエンのKappaを得た。 提案手法は1つのCNNモデルを超え,HRの診断精度と一般化に関する先行研究を行った。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Accessible, At-Home Detection of Parkinson's Disease via Multi-task Video Analysis [3.1851272788128644]
  既存のAIベースのパーキンソン病検出方法は、主にモータや音声タスクの単調な分析に焦点を当てている。 本稿では,このマルチモーダルデータを利用して診断精度を向上させる不確実性校正核融合ネットワーク(UFNet)を提案する。 UFNetは、精度、ORC曲線下(AUROC)の面積、非隣接特異性を維持しながら感度において、シングルタスクモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-21T04:02:19Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Novel Epileptic Seizure Detection Techniques and their Empirical Analysis [2.3301643766310374]
  3次元化アルゴリズム、主成分分析(PCA)、独立成分分析(ICA)、線形判別分析(LDA)を用いる。 提案されたフレームワークはBonnデータセットでテストされる。 シミュレーション結果は、LDAとNBの組み合わせに対して100%の精度を提供する。
  論文  参考訳（メタデータ） (2023-02-17T20:58:17Z)
• Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network [1.7403133838762446]
  心房細動(AFib)の発症率は世界中で増加傾向にある。 AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。 Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
  論文  参考訳（メタデータ） (2022-01-26T21:45:48Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• ALLNet: A Hybrid Convolutional Neural Network to Improve Diagnosis of Acute Lymphocytic Leukemia (ALL) in White Blood Cells [0.0]
  ALL Challengeデータセットには、モデルのトレーニングとテストに使用された白血球の画像10,691枚が含まれている。 提案されているハイブリッド畳み込みニューラルネットワークアーキテクチャであるAllNetは、VGG、ResNet、Inceptionモデルの組み合わせで構成されている。 テストセットでは、ALLNetは精度92.6567%、感度95.5304%、特異度85.9155%、AUCスコア0.966347、F1スコア0.94803を達成した。
  論文  参考訳（メタデータ） (2021-08-18T15:24:53Z)
• Fully-Automated Liver Tumor Localization and Characterization from Multi-Phase MR Volumes Using Key-Slice ROI Parsing: A Physician-Inspired Approach [24.39183542768238]
  肝腫瘍の診断には放射線検査が不可欠である。 トップの放射線科医は、適度なレート間合意だけで約80%のf1スコアしか達成できない。 重要な課題は、診断可能な関心領域をローカライズするために、3次元MRボリュームを堅牢に解析することである。
  論文  参考訳（メタデータ） (2020-12-13T05:23:33Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。