論文の概要: AI-Based Applied Innovation for Fracture Detection in X-rays Using Custom CNN and Transfer Learning Models

• arxiv url: http://arxiv.org/abs/2509.06228v1
• Date: Sun, 07 Sep 2025 22:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.914673
• Title: AI-Based Applied Innovation for Fracture Detection in X-rays Using Custom CNN and Transfer Learning Models
• Title（参考訳）: カスタムCNNと転写学習モデルを用いたX線破壊検出のためのAIに基づく応用イノベーション
• Authors: Amna Hassan, Ilsa Afzaal, Nouman Muneeb, Aneeqa Batool, Hamail Noor,
• Abstract要約: 骨骨折は、しばしば痛み、モビリティの低下、生産性の低下をもたらす、世界的な健康上の大きな課題となる。 従来の撮像法は、高コスト、放射線暴露、特殊解釈への依存に悩まされている。 我々は、カスタム畳み込みニューラルネットワーク(CNN)を用いたX線画像の自動破壊検出のためのAIベースのソリューションを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Bone fractures present a major global health challenge, often resulting in pain, reduced mobility, and productivity loss, particularly in low-resource settings where access to expert radiology services is limited. Conventional imaging methods suffer from high costs, radiation exposure, and dependency on specialized interpretation. To address this, we developed an AI-based solution for automated fracture detection from X-ray images using a custom Convolutional Neural Network (CNN) and benchmarked it against transfer learning models including EfficientNetB0, MobileNetV2, and ResNet50. Training was conducted on the publicly available FracAtlas dataset, comprising 4,083 anonymized musculoskeletal radiographs. The custom CNN achieved 95.96% accuracy, 0.94 precision, 0.88 recall, and an F1-score of 0.91 on the FracAtlas dataset. Although transfer learning models (EfficientNetB0, MobileNetV2, ResNet50) performed poorly in this specific setup, these results should be interpreted in light of class imbalance and data set limitations. This work highlights the promise of lightweight CNNs for detecting fractures in X-rays and underscores the importance of fair benchmarking, diverse datasets, and external validation for clinical translation
• Abstract（参考訳）: 骨骨折は、特に専門の放射線学サービスへのアクセスが制限されている低リソース環境では、痛み、モビリティの低下、生産性の低下をもたらすことが多い。 従来の撮像法は、高コスト、放射線暴露、特殊解釈への依存に悩まされている。 そこで我々は、独自の畳み込みニューラルネットワーク(CNN)を用いたX線画像の自動破壊検出のためのAIベースのソリューションを開発し、EfficientNetB0、MobileNetV2、ResNet50といった移動学習モデルに対してベンチマークを行った。 4,083個の匿名筋骨格X線写真からなるFracAtlasデータセットのトレーニングを行った。 カスタムCNNは95.96%の精度、0.94の精度、0.88のリコール、F1スコアの0.91を達成した。 転送学習モデル(EfficientNetB0、MobileNetV2、ResNet50)は、この特定の設定では性能が低かったが、これらの結果は、クラス不均衡とデータセットの制限を考慮して解釈されるべきである。 この研究は、X線における骨折検出のための軽量CNNの約束を強調し、公正なベンチマーク、多様なデータセット、臨床翻訳のための外部検証の重要性を強調している。

関連論文リスト

• A Deep Learning-Based Ensemble System for Automated Shoulder Fracture Detection in Clinical Radiographs [0.0]
  肩関節骨折はしばしば診断されないが、特に緊急時および高用量の臨床で診断される。 我々は1万個の注釈付き肩X線を用いた多モデル深層学習システムを開発した。 このアンサンブルベースのAIは、臨床関連性の高いX線写真で肩骨折を確実に検出することができる。
  論文  参考訳（メタデータ） (2025-07-17T06:06:12Z)
• FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.507779218329283]
  網膜血管の分節は独特の課題を呈する。 最近のニューラルネットワークアプローチは、ローカルとグローバルプロパティのバランスをとるのに苦労している。 エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく包括的マイクロ容器抽出機構を提案する。
  論文  参考訳（メタデータ） (2023-11-14T10:32:17Z)
• One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
  広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。 我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。 SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
  論文  参考訳（メタデータ） (2023-07-11T09:10:16Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• 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)
• 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)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。