論文の概要: Enhanced Anomaly Detection for Capsule Endoscopy Using Ensemble Learning Strategies

• arxiv url: http://arxiv.org/abs/2504.06039v1
• Date: Tue, 08 Apr 2025 13:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:38.438778
• Title: Enhanced Anomaly Detection for Capsule Endoscopy Using Ensemble Learning Strategies
• Title（参考訳）: アンサンブル学習戦略を用いたカプセル内視鏡の異常検出
• Authors: Julia Werner, Christoph Gerum, Jorg Nick, Maxime Le Floch, Franz Brinkmann, Jochen Hampe, Oliver Bringmann,
• Abstract要約: 本研究は,ビデオカプセル内膜における異常検出タスクの課題に対処するためのアンサンブル戦略を導入する。 本稿では、異常検出フィールドから引き出された各種損失関数を用いて、各ネットワークをトレーニングする。 我々は、Kvasir-Capsuleで76.86%のAUCスコア、Galarデータセットで76.98%のAUCスコアを達成した。
• 参考スコア（独自算出の注目度）: 0.8824955686704116
• License:
• Abstract: Capsule endoscopy is a method to capture images of the gastrointestinal tract and screen for diseases which might remain hidden if investigated with standard endoscopes. Due to the limited size of a video capsule, embedding AI models directly into the capsule demands careful consideration of the model size and thus complicates anomaly detection in this field. Furthermore, the scarcity of available data in this domain poses an ongoing challenge to achieving effective anomaly detection. Thus, this work introduces an ensemble strategy to address this challenge in anomaly detection tasks in video capsule endoscopies, requiring only a small number of individual neural networks during both the training and inference phases. Ensemble learning combines the predictions of multiple independently trained neural networks. This has shown to be highly effective in enhancing both the accuracy and robustness of machine learning models. However, this comes at the cost of higher memory usage and increased computational effort, which quickly becomes prohibitive in many real-world applications. Instead of applying the same training algorithm to each individual network, we propose using various loss functions, drawn from the anomaly detection field, to train each network. The methods are validated on the two largest publicly available datasets for video capsule endoscopy images, the Galar and the Kvasir-Capsule dataset. We achieve an AUC score of 76.86% on the Kvasir-Capsule and an AUC score of 76.98% on the Galar dataset. Our approach outperforms current baselines with significantly fewer parameters across all models, which is a crucial step towards incorporating artificial intelligence into capsule endoscopies.
• Abstract（参考訳）: カプセル内視鏡(英: Capsule endoscopy)は、消化管の画像と、標準的な内視鏡で調べれば隠される可能性のある疾患のスクリーニング方法である。 ビデオカプセルのサイズが限られているため、AIモデルをカプセルに直接埋め込むには、モデルサイズを慎重に考慮する必要があるため、この分野では異常検出が複雑になる。 さらに、この領域で利用可能なデータの不足は、効果的な異常検出を実現するための継続的な課題である。 そこで本研究では,ビデオカプセル内膜における異常検出タスクにおいて,この課題に対処するためのアンサンブル戦略を導入する。 アンサンブル学習は、複数の独立して訓練されたニューラルネットワークの予測を組み合わせる。 これは、機械学習モデルの正確性と堅牢性の両方を高めるのに非常に効果的であることが示されている。 しかし、これはメモリ使用量の増加と計算労力の増加のコストが伴うため、多くの現実世界のアプリケーションではすぐに禁止される。 各ネットワークに同じトレーニングアルゴリズムを適用する代わりに、異常検出フィールドから引き出された様々な損失関数を用いて、各ネットワークをトレーニングする。 これらの手法は、ビデオカプセルの内視鏡画像、GalarとKvasir-Capsuleデータセットの2つの大きな公開データセットで検証されている。 我々は、Kvasir-Capsuleで76.86%のAUCスコア、Galarデータセットで76.98%のAUCスコアを達成した。 当社のアプローチは,すべてのモデルにおいて,現在のベースラインをはるかに少ないパラメータで上回り,カプセル内膜に人工知能を組み込むための重要なステップである。

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)
• Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks [11.749248917866915]
  本稿では,細胞形態を学習し,多数のがんタイプを同定するために事前訓練した新しいDeepCMorphモデルを提案する。 7175例の8736例の診断スライドから抽出した270K以上の組織パッチからなるPan-Cancer TCGAデータセット上で,本モジュールを事前訓練した。 提案手法は, 82%以上の精度で32種類の癌を検出でき, 従来提案されていたすべてのソリューションを4%以上上回る性能を示した。
  論文  参考訳（メタデータ） (2024-07-11T16:03:59Z)
• A Hybrid Convolutional Neural Network with Meta Feature Learning for Abnormality Detection in Wireless Capsule Endoscopy Images [8.744537620217674]
  無線カプセル内視鏡画像における異常検出のためのハイブリッド畳み込みニューラルネットワークを提案する。 3つの並列畳み込みニューラルネットワークで構成され、それぞれに特有の特徴学習能力がある。 ネットワークトリオは、クラス内の分散を効果的に処理し、胃腸の異常を効率的に検出する。
  論文  参考訳（メタデータ） (2022-07-20T09:25:57Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• 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)
• Anomaly Detection in Retinal Images using Multi-Scale Deep Feature Sparse Coding [30.097208168480826]
  本稿では,網膜画像の異常検出のための教師なしアプローチを導入し,この問題を克服する。 我々は,Eye-Q,IDRiD,OCTIDデータセット上での最先端のSPADEに対して,AUCスコアが7.8%,6.7%,12.1%向上した。
  論文  参考訳（メタデータ） (2022-01-27T13:36:22Z)
• Lesion2Vec: Deep Metric Learning for Few-Shot Multiple Lesions Recognition in Wireless Capsule Endoscopy Video [0.0]
  wireless capsule endoscopy (wce) は、消化管全体を非侵襲的に可視化することで、従来の内視鏡手術に革命をもたらした。 単一のビデオは最大8時間で3万から10万の画像を生成できる。 We propose a metric-based learning framework followed with a few-shot lesion recognition in WCE data。
  論文  参考訳（メタデータ） (2021-01-11T23:58:56Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。