論文の概要: Pre-trained Under Noise: A Framework for Robust Bone Fracture Detection in Medical Imaging

• arxiv url: http://arxiv.org/abs/2507.09731v1
• Date: Sun, 13 Jul 2025 18:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.868822
• Title: Pre-trained Under Noise: A Framework for Robust Bone Fracture Detection in Medical Imaging
• Title（参考訳）: 騒音下での事前訓練:医療画像におけるロバスト骨骨折検出のための枠組み
• Authors: Robby Hoover, Nelly Elsayed, Zag ElSayed, Chengcheng Li,
• Abstract要約: 本稿では,X線画像における骨骨折の分類のための事前学習深層学習モデルのロバスト性について検討する。 3つのディープラーニングモデルは、様々な模擬機器の品質条件下でテストされている。
• 参考スコア（独自算出の注目度）: 1.6561886683258322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical Imagings are considered one of the crucial diagnostic tools for different bones-related diseases, especially bones fractures. This paper investigates the robustness of pre-trained deep learning models for classifying bone fractures in X-ray images and seeks to address global healthcare disparity through the lens of technology. Three deep learning models have been tested under varying simulated equipment quality conditions. ResNet50, VGG16 and EfficientNetv2 are the three pre-trained architectures which are compared. These models were used to perform bone fracture classification as images were progressively degraded using noise. This paper specifically empirically studies how the noise can affect the bone fractures detection and how the pre-trained models performance can be changes due to the noise that affect the quality of the X-ray images. This paper aims to help replicate real world challenges experienced by medical imaging technicians across the world. Thus, this paper establishes a methodological framework for assessing AI model degradation using transfer learning and controlled noise augmentation. The findings provide practical insight into how robust and generalizable different pre-trained deep learning powered computer vision models can be when used in different contexts.
• Abstract（参考訳）: 医療画像は、骨関連疾患、特に骨骨折の重要な診断ツールの1つと考えられている。 本稿では,X線画像における骨骨折の分類のための事前学習型深層学習モデルのロバスト性を検討した。 3つのディープラーニングモデルは、様々な模擬機器の品質条件下でテストされている。 ResNet50、VGG16、EfficientNetv2は、比較された3つの事前トレーニングアーキテクチャである。 これらのモデルは、画像がノイズによって徐々に劣化するにつれて、骨骨折の分類に使用された。 本稿では,X線画像の品質に影響を及ぼすノイズにより,骨骨折検出のノイズがどう影響するか,事前訓練したモデルの性能がどう変化するかを実験的に検討する。 本稿では,世界中の医用画像技術者が経験した現実世界の課題の再現を支援することを目的とする。 そこで本稿では,伝達学習と制御雑音増強を用いたAIモデル劣化評価手法の確立について述べる。 この知見は、異なる文脈で使用する場合、どのように堅牢で一般化可能な異なる訓練済みのディープラーニング駆動型コンピュータビジョンモデルが利用できるかについての実践的な洞察を与える。

関連論文リスト

• Dual Path Learning -- learning from noise and context for medical image denoising [1.1322504472260562]
  本研究では,医用イメージを効果的に認知するデュアルパスウェイ学習(DPL)モデルアーキテクチャを提案する。 DPLは複数の画像モダリティと様々な種類のノイズにまたがって評価され、その堅牢性と一般化性を示す。
  論文  参考訳（メタデータ） (2025-07-25T07:43:50Z)
• Exploring the Efficacy of Partial Denoising Using Bit Plane Slicing for Enhanced Fracture Identification: A Comparative Study of Deep Learning-Based Approaches and Handcrafted Feature Extraction Techniques [0.0]
  ビット平面スライシングは、ノイズ干渉を低減し、情報的特徴を抽出することにより、医療画像を強化する。 本研究は, フラクチャー解析改善のための解を提供するための部分的 denoising 技術について検討する。 この研究の結果は、効率的な前処理の開発に関する貴重な洞察を与えてくれる。
  論文  参考訳（メタデータ） (2025-03-21T10:39:21Z)
• BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs [4.295284976294471]
  従来のX線写真では、骨の重なり合いが一般的であり、骨特性の正確な評価を妨げる可能性がある。 本研究では,高品質な骨層画像を生成する骨層分離GANフレームワークを提案する。 生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2024-09-11T14:34:17Z)
• Iterative Learning for Joint Image Denoising and Motion Artifact Correction of 3D Brain MRI [11.806804196128953]
  本稿では, 動きアーチファクトを用いたノイズの多いMRIの処理を反復学習により行うJDAC(Joint Image Denoising and Motion Artifact Correction)フレームワークを提案する。 まず,新しい雑音レベル推定手法を設計し,推定雑音分散に基づく特徴正規化条件付きU-Netバックボーンによる雑音を適応的に低減する。 アンチアーティファクトモデルは、運動補正プロセス中に脳解剖の整合性を維持するために設計された、新しい勾配に基づく損失関数を組み込んだ、運動アーティファクトの除去に別のU-Netを使用している。
  論文  参考訳（メタデータ） (2024-03-13T01:18:55Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)

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。