論文の概要: Performance comparison of medical image classification systems using TensorFlow Keras, PyTorch, and JAX

• arxiv url: http://arxiv.org/abs/2507.14587v1
• Date: Sat, 19 Jul 2025 12:05:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.956686
• Title: Performance comparison of medical image classification systems using TensorFlow Keras, PyTorch, and JAX
• Title（参考訳）: TensorFlow Keras, PyTorch, JAXを用いた医用画像分類システムの性能比較
• Authors: Merjem Bećirović, Amina Kurtović, Nordin Smajlović, Medina Kapo, Amila Akagić,
• Abstract要約: 本稿では、Keras、PyTorch、JAXの3つの人気のあるディープラーニングフレームワークのパフォーマンスを比較し、公開されているBloodMNISTデータセットから血液細胞像を分類する。 その結果、画像の解像度やフレームワーク固有の最適化といった要因の影響を受け、フレームワーク間でのパフォーマンスのばらつきが明らかになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging plays a vital role in early disease diagnosis and monitoring. Specifically, blood microscopy offers valuable insights into blood cell morphology and the detection of hematological disorders. In recent years, deep learning-based automated classification systems have demonstrated high potential in enhancing the accuracy and efficiency of blood image analysis. However, a detailed performance analysis of specific deep learning frameworks appears to be lacking. This paper compares the performance of three popular deep learning frameworks, TensorFlow with Keras, PyTorch, and JAX, in classifying blood cell images from the publicly available BloodMNIST dataset. The study primarily focuses on inference time differences, but also classification performance for different image sizes. The results reveal variations in performance across frameworks, influenced by factors such as image resolution and framework-specific optimizations. Classification accuracy for JAX and PyTorch was comparable to current benchmarks, showcasing the efficiency of these frameworks for medical image classification.
• Abstract（参考訳）: 医療画像は早期疾患の診断とモニタリングにおいて重要な役割を担っている。 特に、血液顕微鏡は、血液細胞の形態と血液疾患の検出に関する貴重な知見を提供する。 近年,深層学習に基づく自動分類システムによって,血液画像解析の精度と効率を高める可能性が高まっている。 しかし、特定のディープラーニングフレームワークの詳細なパフォーマンス分析が不足しているようだ。 本稿では、Keras、PyTorch、JAXの3つの人気のあるディープラーニングフレームワークのパフォーマンスを比較し、公開されているBloodMNISTデータセットから血液細胞像を分類する。 この研究は、主に推論時間の違いに焦点を当て、画像サイズの異なる分類性能にも焦点を当てている。 その結果、画像の解像度やフレームワーク固有の最適化といった要因の影響を受け、フレームワーク間でのパフォーマンスのばらつきが明らかになった。 JAXとPyTorchの分類精度は現在のベンチマークに匹敵し、これらのフレームワークの医療画像分類の効率性を示している。

関連論文リスト

• Comparative Analysis of CNN Performance in Keras, PyTorch and JAX on PathMNIST [0.0]
  畳み込みニューラルネットワーク(CNN)は医用画像分類に広く採用されている。 CNNは、モデル開発とデプロイメントにおいて独特なアドバンテージを提供するが、医療画像のタスクにおけるそのパフォーマンスは、まだ過小評価されていない。 本稿では、Keras、PyTorch、JAXフレームワークにまたがるCNN実装を包括的に分析する。 実世界のアプリケーションに適用可能なトレーニング効率,分類精度,推論速度を評価した。
  論文  参考訳（メタデータ） (2025-07-16T13:57:50Z)
• Chest X-ray Classification using Deep Convolution Models on Low-resolution images with Uncertain Labels [3.038642416291856]
  胸部X線から深部CNNモデルへの入力画像サイズの違いによる分類結果について報告する。 正面および側方研究において,多ラベル分類モデルのアンサンブルを用いる。 心臓病、統合、浮腫については、モデルアーキテクチャーで3%高い精度を得る。
  論文  参考訳（メタデータ） (2025-04-12T01:13:00Z)
• Identifying regions of interest in whole slide images of renal cell carcinoma [0.0]
  本研究は腎細胞癌(RCC)のスライド画像全体の関心領域(ROI)を自動的に検出するシステムを開発した。 提案手法は, 最大回転局所二分パターン (DRLBP) と色変換 (カラー変換) と呼ばれる効率的なテクスチャ記述子を用いて, 微視的高倍率レベルでの大局的なテクスチャ変動を明らかにし, 活用する。 提案手法は画像分類を極めて効果的に行い,ROIの同定に有効であることを示した。
  論文  参考訳（メタデータ） (2025-04-09T22:28:26Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images [10.20384144853726]
  本稿では,皮膚疾患の画像データを検出するためのマルチスケール検出フレームワークを提案する。 我々のフレームワークはニューラルネットワークの異なる層から特徴を抽出する。 実験により,提案手法は,他の最先端手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-01-18T13:49:35Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• 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)
• Sickle-cell disease diagnosis support selecting the most appropriate machinelearning method: Towards a general and interpretable approach for cellmorphology analysis from microscopy images [0.0]
  本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。 当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
  論文  参考訳（メタデータ） (2020-10-09T11:46:38Z)

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。