論文の概要: Multi-modal wound classification using wound image and location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)

• arxiv url: http://arxiv.org/abs/2505.08086v1
• Date: Mon, 12 May 2025 21:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.344925
• Title: Multi-modal wound classification using wound image and location by Xception and Gaussian Mixture Recurrent Neural Network (GMRNN)
• Title（参考訳）: Xception と Gaussian Mixture Recurrent Neural Network (GMRNN) による創傷画像と位置を用いたマルチモーダル創傷分類
• Authors: Ramin Mousa, Ehsan Matbooe, Hakimeh Khojasteh, Amirali Bengari, Mohammadmahdi Vahediahmar,
• Abstract要約: 本稿では,2つの最先端アーキテクチャであるXceptionとGMRNNを組み合わせて創傷分類を行うトランスファーラーニング(TL)に基づくマルチモーダルAIモデルを提案する。 提案手法は, 医用画像解析のためのディープニューラルネットワーク (DNN) を包括的に比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The effective diagnosis of acute and hard-to-heal wounds is crucial for wound care practitioners to provide effective patient care. Poor clinical outcomes are often linked to infection, peripheral vascular disease, and increasing wound depth, which collectively exacerbate these comorbidities. However, diagnostic tools based on Artificial Intelligence (AI) speed up the interpretation of medical images and improve early detection of disease. In this article, we propose a multi-modal AI model based on transfer learning (TL), which combines two state-of-the-art architectures, Xception and GMRNN, for wound classification. The multi-modal network is developed by concatenating the features extracted by a transfer learning algorithm and location features to classify the wound types of diabetic, pressure, surgical, and venous ulcers. The proposed method is comprehensively compared with deep neural networks (DNN) for medical image analysis. The experimental results demonstrate a notable wound-class classifications (containing only diabetic, pressure, surgical, and venous) vary from 78.77 to 100\% in various experiments. The results presented in this study showcase the exceptional accuracy of the proposed methodology in accurately classifying the most commonly occurring wound types using wound images and their corresponding locations.
• Abstract（参考訳）: 急性および難治性創傷の効果的な診断は、創傷治療実践者にとって、効果的な患者ケアの提供に不可欠である。 貧弱な臨床結果はしばしば感染症、末梢血管疾患、創傷深度の増加と結びついており、これらの合併症は総じて悪化する。 しかし、人工知能(AI)に基づく診断ツールは、医療画像の解釈を高速化し、疾患の早期発見を改善する。 本稿では,2つの最先端アーキテクチャであるXceptionとGMRNNを組み合わせて創傷分類を行うトランスファーラーニング(TL)に基づくマルチモーダルAIモデルを提案する。 本発明のマルチモーダルネットワークは、移動学習アルゴリズムによって抽出された特徴と位置特徴を連結して、糖尿病、圧力、外科、静脈潰瘍の創種を分類する。 提案手法は, 医用画像解析のためのディープニューラルネットワーク (DNN) を包括的に比較する。 実験の結果, 糖尿病, 圧, 外科的, 静脈のみを含む顕著な創傷分類は, 様々な実験において78.77から100\%に変化した。 本研究は、創傷画像とその対応する部位を用いて、最も多く発生する創傷の種類を正確に分類する手法として、提案手法の例外的精度を示すものである。

関連論文リスト

• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。 経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
  論文  参考訳（メタデータ） (2023-04-29T16:11:34Z)
• Multi-modal Wound Classification using Wound Image and Location by Deep Neural Network [2.25739374955489]
  本研究では、創傷画像とその対応する位置を用いたディープニューラルネットワークに基づくマルチモーダル分類器を開発した。 位置データを作成するためにボディマップも開発されており、傷の専門医が傷の場所をより効率的にタグ付けするのに役立つ。
  論文  参考訳（メタデータ） (2021-09-14T21:00:30Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images [16.041873352037594]
  副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。 CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。 副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。 そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
  論文  参考訳（メタデータ） (2020-07-29T06:24:53Z)
• 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)

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。