論文の概要: Deploying and Evaluating Multiple Deep Learning Models on Edge Devices for Diabetic Retinopathy Detection

• arxiv url: http://arxiv.org/abs/2506.14834v1
• Date: Sat, 14 Jun 2025 13:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.417331
• Title: Deploying and Evaluating Multiple Deep Learning Models on Edge Devices for Diabetic Retinopathy Detection
• Title（参考訳）: 糖尿病網膜症検出のためのエッジデバイスにおける複数ディープラーニングモデルの展開と評価
• Authors: Akwasi Asare, Dennis Agyemanh Nana Gookyi, Derrick Boateng, Fortunatus Aabangbio Wulnye,
• Abstract要約: 糖尿病網膜症(DR)は世界中で約34.6%の糖尿病患者に影響を与えており、2045年までに2億2200万人に達すると予測されている。 従来のDR診断は、時間と資源を集中的に消費する網膜基底画像のマニュアル検査に依存している。 本研究では、エッジデバイス上でリアルタイムDRのための複数のディープラーニングモデルをデプロイするために、Edge Impulseを用いた新しいソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic Retinopathy (DR), a leading cause of vision impairment in individuals with diabetes, affects approximately 34.6% of diabetes patients globally, with the number of cases projected to reach 242 million by 2045. Traditional DR diagnosis relies on the manual examination of retinal fundus images, which is both time-consuming and resource intensive. This study presents a novel solution using Edge Impulse to deploy multiple deep learning models for real-time DR detection on edge devices. A robust dataset of over 3,662 retinal fundus images, sourced from the Kaggle EyePACS dataset, was curated, and enhanced through preprocessing techniques, including augmentation and normalization. Using TensorFlow, various Convolutional Neural Networks (CNNs), such as MobileNet, ShuffleNet, SqueezeNet, and a custom Deep Neural Network (DNN), were designed, trained, and optimized for edge deployment. The models were converted to TensorFlowLite and quantized to 8-bit integers to reduce their size and enhance inference speed, with minimal trade-offs in accuracy. Performance evaluations across different edge hardware platforms, including smartphones and microcontrollers, highlighted key metrics such as inference speed, accuracy, precision, and resource utilization. MobileNet achieved an accuracy of 96.45%, while SqueezeNet demonstrated strong real-time performance with a small model size of 176 KB and latency of just 17 ms on GPU. ShuffleNet and the custom DNN achieved moderate accuracy but excelled in resource efficiency, making them suitable for lower-end devices. This integration of edge AI technology into healthcare presents a scalable, cost-effective solution for early DR detection, providing timely and accurate diagnosis, especially in resource-constrained and remote healthcare settings.
• Abstract（参考訳）: 糖尿病患者の視覚障害の主要な原因である糖尿病網膜症(DR)は、世界中で約34.6%の糖尿病患者に影響を与え、2045年までに2億2200万人に達すると予測されている。 従来のDR診断は、時間と資源を集中的に消費する網膜基底画像のマニュアル検査に依存している。 本研究では,エッジデバイス上でのリアルタイムDR検出のために,エッジインパルスを用いて複数のディープラーニングモデルをデプロイする手法を提案する。 Kaggle EyePACSデータセットから得られた3,662枚以上の網膜基底画像の堅牢なデータセットがキュレーションされ、拡張や正規化を含む前処理技術によって強化された。 TensorFlowを使用して、MobileNet、ShuffleNet、SqueezeNet、カスタムのDeep Neural Network(DNN)といったさまざまな畳み込みニューラルネットワーク(CNN)を設計、トレーニングし、エッジデプロイメントに最適化した。 モデルはTensorFlowLiteに変換され、8ビット整数に量子化され、サイズを減らし、推論速度を向上した。 スマートフォンやマイクロコントローラなど、さまざまなエッジハードウェアプラットフォームのパフォーマンス評価では、推論速度、精度、精度、リソース利用率といった重要な指標を強調した。 MobileNetは96.45%の精度を達成し、SqueezeNetは176KBのモデルサイズとGPUで17ミリ秒のレイテンシで強力なリアルタイム性能を示した。 ShuffleNetとカスタムDNNは適度な精度を達成したが、リソース効率に優れ、ローエンドデバイスに適している。 このエッジAI技術のヘルスケアへの統合は、早期DR検出のためのスケーラブルで費用効率のよいソリューションを提供し、特にリソースに制約のある遠隔医療環境で、タイムリーかつ正確な診断を提供する。

関連論文リスト

• Activation-wise Propagation: A Universal Strategy to Break Timestep Constraints in Spiking Neural Networks for 3D Data Processing [29.279985043923386]
  スパイキングニューロンに対する新しい状態更新機構であるAMP2(Activation-wise membrane potential Propagation)を導入する。 深いネットワークで接続をスキップすることで刺激を受け、AMP2はニューロンの膜電位をネットワークに組み込み、反復的な更新を不要にする。 提案手法は,3次元点雲やイベントストリームなど,様々な3次元モードの大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-02-18T11:52:25Z)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance [0.0]
  CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。 提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。 トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
  論文  参考訳（メタデータ） (2023-08-01T15:35:06Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• 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)
• Dynamic Resolution Network [40.64164953983429]
  現代のCNNの入力解像度の冗長性については、完全には研究されていない。 本稿では,各サンプルに基づいて動的に分解能を決定できる新しい動的分解能ネットワーク(DRNet)を提案する。 DRNetは34%の精度で同様の性能を実現しているが、ImageNetのResNet-50に比べて10%の精度で1.4%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-06-05T13:48:33Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Going deeper with brain morphometry using neural networks [18.851541271793085]
  深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。 我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-07T07:57:13Z)
• Blended Multi-Modal Deep ConvNet Features for Diabetic Retinopathy Severity Prediction [0.0]
  糖尿病網膜症(DR)は、世界中の視覚障害と視覚障害の主要な原因の1つである。 複数の事前学習したConvNetモデルから抽出した特徴をブレンドした網膜画像の最適表現を導出する。 DR識別は97.41%、カッパ統計は94.82、カッパ統計は81.7%、カッパ統計は71.1%である。
  論文  参考訳（メタデータ） (2020-05-30T06:46:26Z)

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。