論文の概要: Multi Head Attention Enhanced Inception v3 for Cardiomegaly Detection

• arxiv url: http://arxiv.org/abs/2511.20101v1
• Date: Tue, 25 Nov 2025 09:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.379134
• Title: Multi Head Attention Enhanced Inception v3 for Cardiomegaly Detection
• Title（参考訳）: 心内膜検出のためのマルチヘッドアテンション強化インセプションv3
• Authors: Abishek Karthik, Pandiyaraju V,
• Abstract要約: 本稿では,X線画像を用いた心内膜自動検出のための深層学習ツールと注意機構の統合的アプローチについて説明する。 提案システムでは, 開始V3モデルを鍵ブロックの1つとして活用したCNN構成を提案する。 このモデルは95.6の精度95.2の精度、96.2のリコール、95.7の感度、96.1の特異性、96.0のエリアアンダーカーブ(AUC)、およびそれぞれのグラフを視覚化するためにプロットする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The healthcare industry has been revolutionized significantly by novel imaging technologies, not just in the diagnosis of cardiovascular diseases but also by the visualization of structural abnormalities like cardiomegaly. This article explains an integrated approach to the use of deep learning tools and attention mechanisms for automatic detection of cardiomegaly using X-ray images. The initiation of the project is grounded on a strong Data Collection phase and gathering the data of annotated X-ray images of various types. Then, while the Preprocessing module fine-tunes image quality, it is feasible to utilize the best out of the data quality in the proposed system. In our proposed system, the process is a CNN configuration leveraging the inception V3 model as one of the key blocks. Besides, we also employ a multilayer attention mechanism to enhance the strength. The most important feature of the method is the multi-head attention mechanism that can learn features automatically. By exact selective focusing on only some regions of input, the model can thus identify cardiomegaly in a sensitive manner. Attention rating is calculated, duplicated, and applied to enhance representation of main data, and therefore there is a successful diagnosis. The Evaluation stage will be extremely strict and it will thoroughly evaluate the model based on such measures as accuracy and precision. This will validate that the model can identify cardiomegaly and will also show the clinical significance of this method. The model has accuracy of 95.6, precision of 95.2, recall of 96.2, sensitivity of 95.7, specificity of 96.1 and an Area Under Curve(AUC) of 96.0 and their respective graphs are plotted for visualisation.
• Abstract（参考訳）: 医療産業は、心血管疾患の診断だけでなく、心筋症のような構造異常の可視化においても、新しい画像技術によって大きく革新してきた。 本稿では,X線画像を用いた心内膜自動検出のための深層学習ツールと注意機構の統合的アプローチについて説明する。 プロジェクトの開始は、強力なデータ収集フェーズに基づいており、様々なタイプの注釈付きX線画像のデータを収集する。 そして,プリプロセッシングモジュールは画像品質を微調整するが,提案システムにおけるデータ品質の最高点を有効活用することは可能である。 提案システムでは, 開始V3モデルを鍵ブロックの1つとして活用したCNN構成を提案する。 また,その強度を高めるために多層アテンション機構も採用している。 この手法の最も重要な特徴は、自動的に特徴を学習できるマルチヘッドアテンション機構である。 入力のいくつかの領域のみに正確に焦点を合わせることで、モデルが心内膜を敏感に識別することができる。 主データの表現を高めるために注意評価を算出し、複製し、適用することにより、診断に成功している。 評価段階は極めて厳格であり、正確性や正確性などに基づいて徹底的に評価する。 これにより、このモデルが心筋症を識別できることが検証され、また、この方法の臨床的意義も示される。 このモデルは95.6の精度95.2の精度、96.2のリコール、95.7の感度、96.1の特異性、96.0のエリアアンダーカーブ(AUC)、およびそれぞれのグラフを視覚化するためにプロットする。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• DCAT: Dual Cross-Attention Fusion for Disease Classification in Radiological Images with Uncertainty Estimation [0.0]
  本稿では,医用画像解析のための新しい二重対向核融合モデルを提案する。 機能統合と解釈可能性における重要な課題に対処する。 提案されたモデルはAUCの99.75%、100%、99.93%、98.69%、AUPRの99.81%、100%、99.97%、96.36%をそれぞれコビッド19、結核、肺炎胸部X線画像、網膜CT画像で達成した。
  論文  参考訳（メタデータ） (2025-03-14T20:28:20Z)
• RELICT: A Replica Detection Framework for Medical Image Generation [34.82692226532414]
  生成モデルにおける記憶化は、意図しない機密情報漏洩とリミットモデルユーティリティを引き起こす可能性がある。 合成医用画像データセットにおいて、複製、すなわち、ほぼ同一のトレーニングデータのコピーを識別するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-24T17:37:19Z)
• UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
  本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。 本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• 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)
• 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)

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。