論文の概要: Comparative Analysis of Binarization Methods For Medical Image Hashing On Odir Dataset

• arxiv url: http://arxiv.org/abs/2601.02564v1
• Date: Mon, 05 Jan 2026 21:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.728099
• Title: Comparative Analysis of Binarization Methods For Medical Image Hashing On Odir Dataset
• Title（参考訳）: Odir データセットを用いた医用画像ハッシュのためのバイナリ化法の比較解析
• Authors: Nedim Muzoglu,
• Abstract要約: 我々は,深い特徴埋め込みを用いたODIRデータセット上での4つのバイナライズ手法を評価した。 Supervised Discrete Hashing (SDH)は、32ビットコードのみを使用したmAP@100の0.9184で最高のパフォーマンスを達成した。 これらの結果から, SDHは, 医用画像検索と機器在庫管理において, 精度, ストレージ, 効率の両立を図る上で, 最も効果的なアプローチであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we evaluated four binarization methods. Locality-Sensitive Hashing (LSH), Iterative Quantization (ITQ), Kernel-based Supervised Hashing (KSH), and Supervised Discrete Hashing (SDH) on the ODIR dataset using deep feature embeddings. Experimental results show that SDH achieved the best performance, with an mAP@100 of 0.9184 using only 32-bit codes, outperforming LSH, ITQ, and KSH. Compared with prior studies, our method proved highly competitive: Fang et al. reported 0.7528 (Fundus-iSee, 48 bits) and 0.8856 (ASOCT-Cataract, 48 bits), while Wijesinghe et al. achieved 94.01 (KVASIR, 256 bits). Despite using significantly fewer bits, our SDH-based framework reached retrieval accuracy close to the state-of-the-art. These findings demonstrate that SDH is the most effective approach among those tested, offering a practical balance of accuracy, storage, and efficiency for medical image retrieval and device inventory management.
• Abstract（参考訳）: 本研究では,4つのバイナライズ手法について検討した。 Locality-Sensitive Hashing (LSH), Iterative Quantization (ITQ), Kernel-based Supervised Hashing (KSH), Supervised Discrete Hashing (SDH) on the ODIR dataset using Deep Feature embeddeds。 実験の結果、SDHは32ビットコードのみを使用したmAP@100の0.9184で最高の性能を示し、LSH、ITQ、KSHを上回った。 Fang et al は 0.7528 (Fundus-iSee, 48 bits) と 0.8856 (ASOCT-Cataract, 48 bits) を報告し, Wijesinghe et al は 94.01 (KVASIR, 256 bits) を達成した。 SDHベースのフレームワークは、ビット数が大幅に少ないにもかかわらず、最先端に近い精度に達しました。 これらの結果から, SDHは, 医用画像検索と機器在庫管理において, 精度, ストレージ, 効率の両立を図る上で, 最も効果的なアプローチであることが示唆された。

関連論文リスト

• Hardened CTIDH: Dummy-Free and Deterministic CTIDH [0.1749935196721634]
  今回,dCTIDHのダミーフリー実装について紹介する。 ダミーフリーなdCTIDH-2048-194およびdCTIDH-2048-205を実装し,約357,000-362,000Fp乗算の集団作用コストを実現する。 これらの結果はdC-TIDHを超えるものではなく、CTIDHを約5%上回り、ダミー手術を完全に排除した。
  論文  参考訳（メタデータ） (2025-09-16T09:29:03Z)
• Deep Learning Approach for Enhancing Oral Squamous Cell Carcinoma with LIME Explainable AI Technique [0.0]
  データセットは5192イメージ(2435ノーマルと2511 OSCC)で構成されている。 本研究では,ResNet101,DenseNet121,VGG16,EfficientnetB3の4つのディープラーニングアーキテクチャを選択した。 効率の良いNetB3は98.33%とF1スコア(0.9844)で最高であり、他のモデルと比べて計算能力は著しく低下した。
  論文  参考訳（メタデータ） (2024-11-21T14:53:59Z)
• Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
  この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。 CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。 比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-08T09:27:42Z)
• A Lower Bound of Hash Codes' Performance [122.88252443695492]
  本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。 次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。 一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
  論文  参考訳（メタデータ） (2022-10-12T03:30:56Z)
• Learning to Hash Robustly, with Guarantees [79.68057056103014]
  本稿では,理論的アルゴリズムと本質的に一致する最悪ケース保証を持つハミング空間のためのNSアルゴリズムを設計する。 理論的にも実用的にも、与えられたデータセットに対してアルゴリズムが最適化できる能力を評価する。 我々のアルゴリズムは、MNISTおよびImageNetデータセットに対する最悪のパフォーマンスのクエリを、1.8倍と2.1倍の精度でリコールする。
  論文  参考訳（メタデータ） (2021-08-11T20:21:30Z)
• 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)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• Deep Momentum Uncertainty Hashing [65.27971340060687]
  我々は,新しいDeep Momentum Uncertainity Hashing (DMUH)を提案する。 トレーニング中の不確実性を明示的に推定し、不確実性情報を利用して近似過程を導出する。 提案手法は,すべてのデータセット上で最高の性能を達成し,既存の最先端手法を大きなマージンで超越する。
  論文  参考訳（メタデータ） (2020-09-17T01:57:45Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation [28.437504408773147]
  肺と感染症のセグメンテーションのための3つのベンチマークを構築した。 異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。 平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
  論文  参考訳（メタデータ） (2020-04-27T01:31:48Z)

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。