Fugu-MT 論文翻訳(概要): Enhancing Lung Disease Diagnosis via Semi-Supervised Machine Learning

論文の概要: Enhancing Lung Disease Diagnosis via Semi-Supervised Machine Learning

arxiv url: http://arxiv.org/abs/2507.16845v1
Date: Sun, 20 Jul 2025 19:10:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:14.681368
Title: Enhancing Lung Disease Diagnosis via Semi-Supervised Machine Learning
Title（参考訳）: 半監督機械学習による肺疾患診断の強化
Authors: Xiaoran Xua, In-Ho Rab, Ravi Sankarc,
Abstract要約: 肺がんやPDを含む肺疾患は、世界中で重大な健康上の問題となっている。本研究では,MFCC+CNNのモデル組み合わせを用いた肺音信号検出のための半教師付き学習法について検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Lung diseases, including lung cancer and COPD, are significant health concerns globally. Traditional diagnostic methods can be costly, time-consuming, and invasive. This study investigates the use of semi supervised learning methods for lung sound signal detection using a model combination of MFCC+CNN. By introducing semi supervised learning modules such as Mix Match, Co-Refinement, and Co Refurbishing, we aim to enhance the detection performance while reducing dependence on manual annotations. With the add-on semi-supervised modules, the accuracy rate of the MFCC+CNN model is 92.9%, an increase of 3.8% to the baseline model. The research contributes to the field of lung disease sound detection by addressing challenges such as individual differences, feature insufficient labeled data.
Abstract（参考訳）: 肺がんやPDを含む肺疾患は、世界中で重大な健康上の問題となっている。従来の診断方法は費用がかかり、時間がかかり、侵襲的です。本研究では,MFCC+CNNのモデル組み合わせを用いた肺音信号検出のための半教師付き学習法について検討した。本研究は,Mix Match,Co-Refinement,Co Refurbishingなどの半教師付き学習モジュールを導入することで,手動アノテーションへの依存を軽減しつつ,検出性能を向上させることを目的とする。アドオンの半教師付きモジュールでは、MFCC+CNNモデルの精度は92.9%、ベースラインモデルでは3.8%向上している。この研究は、個人差やラベル付きデータ不足といった課題に対処することで、肺疾患の音検出の分野に貢献する。

関連論文リスト

CPLOYO: A Pulmonary Nodule Detection Model with Multi-Scale Feature Fusion and Nonlinear Feature Learning [8.128072264076822]
多型検出は、肺がん全体の検出率の向上と治療率の向上に寄与する。高感度の結節検出を実現するため、YOLOv8モデルにターゲット改良が加えられた。 C2f_RepViTCAMFモジュールは、バックボーン内のC2fモジュールを増強するために導入された。 MSCAFモジュールはモデルの特徴融合部を再構築するために組み込まれた。
論文参考訳（メタデータ） (2025-03-13T04:51:57Z)
Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning [0.0]
本研究は,Segment Anything Model(SAM)と転写学習技術を組み合わせた肺結節セグメンテーションの革新的アプローチを提案する。提案手法はバウンディングボックスプロンプトとビジョントランスフォーマーモデルを利用してセグメンテーション性能を向上し,高精度なDice similarity Coefficient (DSC) とIntersection over Union (IoU) のメトリクスを実現する。以上の結果から,CT検査から肺結節を正確に抽出するモデルの有効性が示唆され,早期発見の進展と肺癌診断における患者のケア結果の改善が示唆された。
論文参考訳（メタデータ） (2024-12-31T18:21:57Z)
Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
Multi-Task Learning for Lung sound & Lung disease classification [0.0]
肺音と肺疾患の同時分類にマルチタスク学習(MTL)を用いる新しい手法を提案する。提案モデルでは,2次元CNN,ResNet50,MobileNet,Densenetの4種類の深層学習モデルを用いて,肺の音響記録から関連する特徴を抽出する。 MTL for MobileNetモデルは, 肺の音響解析では74%, 肺疾患分類では91%の精度で, 他のモデルよりも良好な性能を示した。
論文参考訳（メタデータ） (2024-04-05T06:15:58Z)
MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
論文参考訳（メタデータ） (2023-12-04T21:46:39Z)
Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文参考訳（メタデータ） (2023-10-13T23:42:43Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。現在の肺結節検出法は通常ドメイン固有である。肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文参考訳（メタデータ） (2023-03-07T03:17:49Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文参考訳（メタデータ） (2021-05-06T10:21:28Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
論文参考訳（メタデータ） (2020-12-17T09:53:51Z)

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。