論文の概要: Detection of retinal diseases using an accelerated reused convolutional network

• arxiv url: http://arxiv.org/abs/2510.04232v1
• Date: Sun, 05 Oct 2025 14:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.533115
• Title: Detection of retinal diseases using an accelerated reused convolutional network
• Title（参考訳）: 高速再利用可能な畳み込みネットワークを用いた網膜疾患の検出
• Authors: Amin Ahmadi Kasani, Hedieh Sajedi,
• Abstract要約: ArConv層と呼ばれる新しい畳み込み層を組み込んだ新しい汎用モデルを作成します。 このモデルは携帯電話での使用に適した複雑さを持ち、疾患の存在を高精度に診断するタスクを実行することができる。
• 参考スコア（独自算出の注目度）: 3.5808917363708743
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Convolutional neural networks are continually evolving, with some efforts aimed at improving accuracy, others at increasing speed, and some at enhancing accessibility. Improving accessibility broadens the application of neural networks across a wider range of tasks, including the detection of eye diseases. Early diagnosis of eye diseases and consulting an ophthalmologist can prevent many vision disorders. Given the importance of this issue, various datasets have been collected from the cornea to facilitate the process of making neural network models. However, most of the methods introduced in the past are computationally complex. In this study, we tried to increase the accessibility of deep neural network models. We did this at the most fundamental level, specifically by redesigning and optimizing the convolutional layers. By doing so, we created a new general model that incorporates our novel convolutional layer named ArConv layers. Thanks to the efficient performance of this new layer, the model has suitable complexity for use in mobile phones and can perform the task of diagnosing the presence of disease with high accuracy. The final model we present contains only 1.3 million parameters. In comparison to the MobileNetV2 model, which has 2.2 million parameters, our model demonstrated better accuracy when trained and evaluated on the RfMiD dataset under identical conditions, achieving an accuracy of 0.9328 versus 0.9266 on the RfMiD test set.
• Abstract（参考訳）: 畳み込みニューラルネットワークは、精度の向上、スピードの向上、アクセシビリティの向上など、継続的な進化を続けている。 アクセシビリティの改善は、眼疾患の検出を含む幅広いタスクにわたるニューラルネットワークの適用を拡大する。 眼疾患の早期診断や眼科医の相談は、多くの視覚障害を予防することができる。 この問題の重要性から、ニューラルネットワークモデルの作成プロセスを容易にするために、角膜からさまざまなデータセットが収集されている。 しかし、過去に導入された手法のほとんどは計算学的に複雑である。 本研究では,ディープニューラルネットワークモデルのアクセシビリティ向上を試みた。 特に、畳み込みレイヤを再設計し、最適化することで、最も基本的なレベルでこれを実施しました。 これによって、ArConv層という新しい畳み込み層を組み込んだ、新しい汎用モデルを作成しました。 本手法は,携帯端末での使用に適する複雑さを有し,疾患の有無を高精度に診断する作業を行うことができる。 私たちが提示する最終モデルは、わずか13万のパラメータしか含まない。 パラメータが220万であるMobileNetV2モデルと比較して,RfMiDデータセットを同一条件でトレーニング,評価し,RfMiDテストセットで0.9328対0.9266の精度を実現した。

関連論文リスト

• Lightweight Convolutional Neural Networks for Retinal Disease Classification [0.20971479389679337]
  本稿では,2つの軽量かつ効率的な畳み込みニューラルネットワークアーキテクチャであるMobileNetとNASNetMobileを用いて,正常,DR,MH網膜画像の分類を行った。 実験の結果、MobileNetV2の精度は90.8%、NASNetMobileの精度は89.5%だった。
  論文  参考訳（メタデータ） (2025-05-30T12:36:45Z)
• Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
  MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。 近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。 本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T21:06:42Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
  本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。 MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
  論文  参考訳（メタデータ） (2024-08-16T20:15:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• 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)
• Modeling the Nonsmoothness of Modern Neural Networks [35.93486244163653]
  ピークの大きさの和(SMP)という特徴を用いて不滑らかさを定量化する。 この非平滑性機能は、ニューラルネットワークの回帰ベースのアプリケーションのためのフォレンジックツールとして利用される可能性があると考えます。
  論文  参考訳（メタデータ） (2021-03-26T20:55:19Z)
• Deep Medical Image Analysis with Representation Learning and Neuromorphic Computing [1.43494686131174]
  回転やアフィン変換に頑健な表現を明示的に学習するカプセルネットワークを提案する。 第2に、最新のドメイン適応技術を活用して、新しい最先端の精度を実現する。 第3に、Intel Loihiニューロモルフィックチップでトレーニングされたスパイクニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-05-11T20:56:37Z)

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。