論文の概要: Hybrid Convolution Neural Network Integrated with Pseudo-Newton Boosting for Lumbar Spine Degeneration Detection
- arxiv url: http://arxiv.org/abs/2511.13877v1
- Date: Mon, 17 Nov 2025 19:54:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.771484
- Title: Hybrid Convolution Neural Network Integrated with Pseudo-Newton Boosting for Lumbar Spine Degeneration Detection
- Title（参考訳）: Pseudo-Newton Boostingを併用した腰椎変性検出用ハイブリッド畳み込みニューラルネットワーク
- Authors: Pandiyaraju V, Abishek Karthik, Jaspin K, Kannan A, Jaime Lloret,
- Abstract要約: 本稿では,DICOM画像を用いた腰椎変性の分類を行うための新しい拡張モデルアーキテクチャを提案する。
提案手法はPseudo-Newton Boosting層を組み込んだ従来の転写学習法と区別される。
このアーキテクチャは、0.9の精度、0.861のリコール、0.88のスコア、0.18の損失、88.1%の精度をベースラインモデルであるEfficientNetと比較して達成している。
- 参考スコア（独自算出の注目度）: 3.485078676424349
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a new enhanced model architecture to perform classification of lumbar spine degeneration with DICOM images while using a hybrid approach, integrating EfficientNet and VGG19 together with custom-designed components. The proposed model is differentiated from traditional transfer learning methods as it incorporates a Pseudo-Newton Boosting layer along with a Sparsity-Induced Feature Reduction Layer that forms a multi-tiered framework, further improving feature selection and representation. The Pseudo-Newton Boosting layer makes smart variations of feature weights, with more detailed anatomical features, which are mostly left out in a transfer learning setup. In addition, the Sparsity-Induced Layer removes redundancy for learned features, producing lean yet robust representations for pathology in the lumbar spine. This architecture is novel as it overcomes the constraints in the traditional transfer learning approach, especially in the high-dimensional context of medical images, and achieves a significant performance boost, reaching a precision of 0.9, recall of 0.861, F1 score of 0.88, loss of 0.18, and an accuracy of 88.1%, compared to the baseline model, EfficientNet. This work will present the architectures, preprocessing pipeline, and experimental results. The results contribute to the development of automated diagnostic tools for medical images.
- Abstract（参考訳）: 本稿では,DCOM画像を用いた腰椎変性の分類を行い,EfficientNetとVGG19をカスタム設計コンポーネントと組み合わせたモデルアーキテクチャを提案する。
提案手法は,Pseudo-Newton Boosting層と,多層化フレームワークを形成するSparsity-induced Feature Reduction Layerを組み込んで,特徴選択と表現の向上を図ることによって,従来の伝達学習手法と差別化されている。
Pseudo-Newton Boosting層は、より詳細な解剖学的特徴を備えた、特徴量のスマートなバリエーションを実現している。
さらに、Sparsity-induced Layerは学習した特徴の冗長性を排除し、腰椎の病理のリーンだが堅牢な表現を生成する。
このアーキテクチャは、特に医用画像の高次元的文脈において、従来の転写学習アプローチの制約を克服し、0.9の精度、0.861のリコール、F1のスコア0.88のリコール、0.18の損失、88.1%の精度を実現している。
この作業では、アーキテクチャ、前処理パイプライン、実験結果などが紹介される。
その結果,医用画像の自動診断ツールの開発に寄与した。
関連論文リスト
- Leveraging Quantum-Based Architectures for Robust Diagnostics [0.0]
本研究の目的は, 腎臓のCT画像を用いて腎臓結石, 嚢胞, 腫瘍の診断と鑑別を行うことである。
我々は、事前訓練されたResNet50エンコーダと量子畳み込みニューラルネットワーク(QCNN)を組み合わせて、量子支援診断を探索する。
論文 参考訳（メタデータ） (2025-11-15T23:36:58Z) - Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。
改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。
Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
論文 参考訳（メタデータ） (2025-09-09T14:31:51Z) - Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。
新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。
この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
論文 参考訳（メタデータ） (2025-05-08T13:02:44Z) - Stochastic Engrams for Efficient Continual Learning with Binarized Neural Networks [4.014396794141682]
我々は,メタプラスティック二項化ニューラルネットワーク(mBNN)のゲーティング機構として,可塑性活性化エングラムを統合した新しいアプローチを提案する。
以上の結果から, (A) トレードオフに対する安定性の向上, (B) メモリ集中度低下, (C) 双項化アーキテクチャの性能向上が示された。
論文 参考訳（メタデータ） (2025-03-27T12:21:00Z) - Learned Image resizing with efficient training (LRET) facilitates
improved performance of large-scale digital histopathology image
classification models [0.0]
組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。
深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。
本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-19T23:45:47Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳（メタデータ） (2023-02-23T06:16:15Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳（メタデータ） (2022-11-22T06:42:41Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z) - FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。
本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
論文 参考訳（メタデータ） (2022-04-10T11:38:33Z) - 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。